减速电机为工业生产的关键基础设备被广泛的应用于各种工业生产领域中,实现对减速电机健康状态监测是保证工业生产过程安全持续进行的关键,展开对减速电机故障诊断技术的研究具有重大意义。在减速电机运行过程中各个部件产生的振动信号能够准确的反应减速电机的健康状态,因此本文分别对减速电机运行过程中转子和轴承产生的振动信号进行分析,实现对减速电机的转子偏心故障和轴承故障进行诊断。本文主要研究内容如下:针对减速电机转子偏心故障,由于实际采集的减速电机转子振动信号中含有很强的噪声成分,利用其合成转子轴心轨迹将很难提取出故障特征。本文首先利用谐波小波对转子振动信号进行提纯处理,并对提纯后振动信号合成的轴心轨迹提取仿射不变矩特征,利用BP神经网络对提取的减速电机转子不同类型偏心故障的仿射不变矩特征进行分类识别实现对减速电机转子偏心故障诊断,并通过仿真实验及设计减速电机转子偏心故障诊断系统对该减速电机转子偏心故障诊断方法的性能进行实验验证,实验结果表明该故障诊断方法能够对几种典型的减速电机转子偏心故障准确的识别。针对减速电机轴承故障,本文设计了一种基于一维卷积神经网络的减速电机轴承故障诊断方法,该方法能够直接从减速电机运行过程中轴承产生的时域振动信号中提取故障特征并进行分类识别,在CWRU轴承数据集上对该故障诊断方法的性能进行验证,实验结果表明该故障诊断方法故障诊断识别率达到99.59%以上,且具有很强的变负载自适应性。此外本文还设计了一种具有深度可分离卷积层的二维卷积神经网络减速电机轴承故障诊断方法,该方法能够从减速电机运行过程中轴承产生的时域振动信号转换成的灰度图像提取故障特征并进行分类识别,同样在CWRU轴承数据集上对该故障诊断方法的性能进行实验验证,实验结果表明该故障诊断方法故障诊断识别率达到100%。以上两种减速电机轴承故障诊断方法与其他减速电机轴承故障诊断方法相比省去了信号分析的步骤直接从时域振动信号中提取故障特征实现准确的减速电机轴承故障诊断。