滚动轴承大量应用于现代机械设备中,其健康状态往往可以影响整个设备的运行状况。滚动轴承在工程设备轴系中的存在形式常常为成对多个安装,当发生故障时首先需要对故障轴承进行定位才能进行下一步的诊断和维护,因此对轴系中的滚动轴承进行故障定位便成为了诊断的关键环节。本文将轴系中同轴安装状态下的多个滚动轴承作为研究对象,提出了在使用生成式对抗神经网络扩充轴承样本数据集的基础上,通过卷积神经网络对轴系中故障轴承进行定位诊断的方法,并使用迁移学习对诊断模型进行优化,增强了其在加噪或变载条件下的诊断准确率。本课题首先为基于卷积神经网络的定位诊断模型提供数据基础。对轴承实验信号进行滤波和降噪处理后,通过平滑伪Wigner-Ville分布得到实验信号的二维时频分布图。采用嵌入高斯混合模型的深度卷积对抗生成网络生成滚动轴承故障数据样本,实现了扩充滚动轴承故障数据集的目的。使用所生成的故障数据样本和真实实验数据样本进行分类试验,验证了该方法对扩充故障数据集的可操作性。针对轴系中滚动轴承的故障定位问题,在对轴承信号进行时域冲击现象和频域故障特征频率分析后,提出了基于卷积神经网络的故障定位诊断方法。对轴系中各位置滚动轴承信号进行时频处理,然后按照相应轴承在轴系中所处位置对时频图进行拼接,输入所得时频图到卷积神经网络中进行故障定位诊断,通过实验证实了该方法针对轴系中故障轴承的定位具有良好的准确率。基于迁移学习的原理,针对当工况条件发生改变时滚动轴承故障信号发生变化会导致模型诊断准确率下降的困境,提出了对预训练网络Alex Net进行微调的方法。保留前期基础特征提取层,加快了网络前期的训练速度,对网络高层进行激活函数和反向传播算法的优化,提高了模型的泛化能力和训练效率。分别在加噪和变载的实验条件下对原Alex Net和经过微调后的Alex Net进行实验测试。实验结果显示在加噪和变载的实验条件下,经过微调后的Alex Net相比较于原Alex Net在诊断准确率方面效果更好,验证了对原Alex Net进行网络结构和参数微调后,模型在加噪和变载的实验条件下对轴系中故障轴承的定位诊断具有更好的泛化能力。