滚动轴承广泛应用于高铁、航空航天、风力发电等领域,一旦滚动轴承发生故障,将直接导致机械设备无法正常工作,造成巨大的经济损失。因此,对于滚动轴承的状态监测与故障诊断一直是国内外研究的热门。本文针对滚动轴承故障诊断问题,开展以下研究工作:滚动轴承振动机理建模分析、利用振动信号分析方法进行滚动轴承故障特征提取、搭建卷积神经网络模型进行滚动轴承故障诊断和基于迁移学习滚动轴承故障识别。对滚动轴承故障基础理论和滚动轴承故障的特征提取方法进行研究。基于滚动轴承的机械几何结构、载荷分布及滚动体数量,建立滚动轴承振动机理模型;使用振动信号分析方法从时域、频域和时频域三方面分析故障轴承振动信号,同时对西储大学轴承数据进行振动信号分析。采用卷积神经网络结合时频分析的方法对滚动轴承进行故障诊断。采用短时傅里叶变换分析方法对滚动轴承振动信号进行处理,得到滚动轴承故障时频数据集;采用此滚动轴承数据集对卷积神经网络模型进行训练,并通过超参数实验确定卷积神经网络模型的参数;通过实测故障滚动轴承数据集验证该卷积神经网络模型的有效性。使用迁移学习算法对卷积神经网络模型进行优化。构建各类滚动轴承数据集分为源域数据集和目标域数据集;使用源域数据集预训练卷积神经网络模型,得到具有共享轴承故障特征信息的卷积神经网络模型;使用目标域滚动轴承数据集微调卷积神经网络模型,实现滚动轴承故障诊断,且与其他算法对比验证了该方法的有效性。