在过去的许多年里,人们对开发用于检测滚动元件轴承故障的智能技术产生了相当大的兴趣。这些方法旨在检测早期预警信号并自动确定滚动轴承故障状态的开始,以最大限度地减少计划外停机时间、潜在的安全风险、生产损失和增加的维护成本。此外,滚动轴承故障诊断研究还面临数据不平衡、振动信号噪声、故障位置为内圈故障、外圈故障和滚珠故障等挑战。作为解决上述问题的一种方法,我们提出了三种用于滚动轴承智能故障诊断的深度学习技术,即二维卷积神经网络（2D-CNN）、具有长短期记忆的递归神经网络（RNN-LSTM）、深度信念网络（DBN）,旨在检测具有不同故障模式的滚动元件轴承故障。为此,首先进行信号预处理以去除振动信号中的噪声,然后进行模型训练,然后在2D-CNN的时域和RNN-LSTM和DBN的频域中测试和验证所提出的方法.此外,来自凯斯西储大学、帕德博恩大学和机械预防技术协会的不同公共数据集的振动信号被用作模型的训练、测试和验证期间的输入特征.2D卷积神经网络（2D-CNN）是该研究中采用的主要技术。将时域中的原始振动数据归一化以形成矩阵,然后将其转换为二维灰度图像。这些灰度图像又被用作设计的2D-CNN模型的输入。Softmax层用于故障分类。与正在研究的其他方法相比,2D-CNN方法被证明是优越的,因为它在凯斯西储大学数据集和帕德博恩大学数据集上实现了100%的准确率,在机械预防技术协会（MFPT）数据集上实现了98.8%的准确率。深度信念网络（DBN）是比较中采用的第二种方法。来自凯斯西储大学、帕德博恩大学和机械预防技术协会（MFPT）的数据集也使用快速傅里叶变换在频域中进行了预处理,并使用这种方法进行了训练和测试。这种方法在所有数据集上都没有达到很高的精度,这证明它不是进行滚动轴承故障诊断时采用的最佳方法。所提出的方法使用CWRU数据集实现了89.7%的准确率,使用PU数据集实现了88.6%的准确率,使用MFPT数据集实现了87.2%的准确率。与使用所有数据集的其他方法相比,DBN的准确率百分比最低.具有长期和短期记忆的递归神经网络（RNN-LSTM）是第三种提出的方法。LSTM用于克服RNN中梯度消失的问题。使用的信号预处理技术是频域中的快速傅里叶变换。LSTM模型由三层组成。RNN-LSTM在CWRU、PU和MFPT数据集上的表现优于DBN,但与2D-CNN相比表现不佳,准确率分别为90.3%、89.3%和87.3%。这种方法在准确性和性能方面是第二好的。因此,本研究的结果将加强滚动元件轴承的故障诊断,帮助工业部门克服因轴承故障而导致的不必要停机问题,并通过提高产品质量来提高机器正常运行时间,同时降低维护成本。