滚动轴承作为机械设备的核心零部件之一,在工业制造领域和人们的日常生活中应用广泛,开展滚动轴承的故障诊断研究具有重要的意义。传统的故障诊断方法需要人工提取特征,依赖专家经验,不够智能化。随着科学技术的发展,机械大数据时代已经到来,工业机械系统越来越复杂、智能,研究基于数据驱动的智能故障诊断方法,以实现快速、稳定、高质量的轴承故障诊断成为迫切需求。针对以上问题,本文以滚动轴承为研究对象,重点研究基于轴承原始振动数据输入,设计实现了三种基于深度学习理论的滚动轴承故障诊断方法。首先,将自编码器应用在轴承故障诊断问题上。针对三层自编码器特征表达能力不足的问题,本文使用了堆栈式自编码器,考虑到中间层神经元个数太多会产生冗余,太少又不能有效的重构输入样本,本文在中间层引入了Dropout正则化技术。使用自编码器提取轴承故障特征,支持向量机作为分类器,实现轴承故障状态识别。现有的深度学习故障诊断模型一般是基于时频图输入,然而转化为时频图这一步骤需要研究者的专业背景知识且容易造成有用信息的丢失。本文改进了现有的故障诊断模型,设计了基于单通道灰度图输入的二维卷积神经网络故障诊断模型。这一方法避免了通过信号处理的方法来获取输入数据频域信息,直接将一维时域数据拼接成了单通道的二维矩阵。构建了基于单通道二维矩阵输入的神经网络模型,使用Adam梯度下降算法来更新模型参数,添加Dropout层来避免模型过拟合,实现了高精度的轴承故障状态识别。为了进一步提高故障诊断的精度和效率,本文提出了基于一维卷积神经网络的轴承故障状态识别方法。模型参数量的减少使得训练时间显著加快,针对输入信号周期性的特点,模型的第一个卷积层的卷积核设置为宽卷积、大步长,使得输出神经元对输入信号的感受野大于一个周期。通过数据增强技术大大扩充了训练数据,使得模型加快拟合,鲁棒性更好,引入了批归一化算法和平均池化算法,使得模型易于收敛且精度得到了提高。对比分析现有已发表的研究成果,本文所提方法的故障诊断精度和模型训练时间均得到改善和提高。