滚动轴承是旋转机械的关键部件之一,当轴承高速运转时,由于复杂恶劣的工作环境,轴承极易造成损坏,且其微小的尺寸导致故障难以直接判别,如何对轴承故障进行有效识别一直是工业界的难题。基于信号处理的轴承故障识别方法依赖于人工特征提取与专家经验,且在轴承复杂多变的工作环境下缺乏自适应性,不能满足机电大数据时代算法智能化的需求。本文针对该问题,研究了基于二维卷积神经网络(Two-Dimensional Convolutional Neural Network,2DCNN)的轴承故障识别方法,该方法能够自动完成特征提取与故障识别过程。具体内容如下:(1)基于2DCNN算法,将其分类级结构的全连接神经网络用于轴承故障识别研究。针对轴承振动信号的特点,研究了二维图像形式的样本预处理方式,然后设计模型参数并进行训练测试。由测试结果表明,全连接神经网络直接作用于时域信号能取得较高的识别率,但仍存在进步的空间。在此基础上,设计了一套适用于轴承故障识别的2DCNN模型。通过优化器与学习率交叉对比实验获取了模型最优训练参数,根据出现的偏差问题调整模型结构参数。此外,优化了模型训练的批处理样本数目与样本总量,研究了信号图像分辨率对模型特征提取的影响,并通过批量归一化算法提高了模型的稳定性。由测试集实验结果表明,所设计的2DCNN模型能在西储大学轴承数据集上达到100%的识别率。(2)针对变载与噪声环境下训练数据受到干扰模型识别率会降低的问题,对2DCNN模型进行了改进。为增强模型的特征挖掘能力并减轻其计算负担,对过滤器尺寸与全连接层结构层数的不同组合进行了研究。此外,引入了自适应批量归一化算法增强模型在不同样本领域的自适应能力,采用了一种改进的滑动平均模型并通过随机失活算法提高了模型的泛化性能,通过投票法集成学习减少了分类器出错的机率,最后通过极小批量训练测试了模型的抗干扰能力。测试结果表明,改进后的2DCNN模型具备较强抗噪性与抗变载能力。(3)针对实测轴承数据样本较少的问题,设计了一套基于迁移学习的轴承故障识别2DCNN模型。以西储大学轴承数据集作为源领域,以实测轴承数据作为目标领域,采用迁移学习后的2DCNN模型对实测轴承数据进行故障识别工程验证。实验结果表明,迁移学习的模型能够准确识别实测轴承数据的故障类型。