作为旋转机械的关键零部件,滚动轴承因其多变的工况环境,已成为机械故障的主要来源之一。因此,开展对滚动轴承的故障检测和诊断研究,对于保障机械设备正常运行,提高生产效率具有重要意义。作为人工智能领域的新兴算法,深度学习以其强大的特征提取和非线性函数映射能力已在多个领域取得了优异成绩,但在机械设备的健康管理领域仍有待进一步发展。本文着重研究深度自编码网络(Deep Autoencoder,DAE)在滚动轴承信号特征提取、故障检测及故障诊断方面的应用,主要工作及内容如下:(1)深入研究了DAE的算法原理,并构建了一种基于DAE的特征提取模型。通过搭建变速箱试验台,对不同点蚀状态的齿轮箱振动信号进行了特征提取。以类内外散度矩阵的迹和分类模型的准确率作为特征评价因子,将模型与主成分分析(Principal Component Analysis)、核主成分分析(Kernel Principal Component Analysis)及传统时域频域特征提取方法进行了对比,结果表明DAE在信号的特征提取方面具有优势性。(2)结合DAE在信号特征提取方面的优势,利用DAE构建了轴承正常状态下振动信号的特征空间,将测试信号在特征空间中的偏离程度作为轴承性能退化的评价指标,通过设定早期故障阈值,提出了一种在线式的故障检测方法。实验结果表明,相比于样本熵(Sample Entropy)、动态时间规整(Dynamic Time Warping)及传统的时域故障检测方法,该方法能实现对早期故障的在线式检测,且具有更好的灵敏性和实用性。(3)将DAE与softmax分类层相结合,构建了一种基于DAE的分类模型。针对DAE网络参数的选取问题,提出了一种基于改进深度自编码网络的故障诊断模型。即利用带有迭代器数的改进鲸鱼群算法(WSA with iterative counter),对影响网络输出的关键参数进行全局最优搜索,得到具有最优网络结构的DAE诊断模型。利用滚动轴承故障数据集对模型进行了实例验证,并对比了BP(Back Propagation)神经网络、支持向量机(Support Vector Machine)及深度信念网络(Deep Belief Network)等分类模型,结果表明,所提诊断模型具有更好的效果。