滚动轴承是机械部件中最常用的部件之一,有效可靠的轴承故障实时监测系统对于现代工业发展具有重大意义。现有主流的故障诊断算法大多以人为提取特征和分类器结合的方法来实现故障识别,模型通常较复杂,人为提取特征容易丢失关键信息,无法保证通用性和泛化能力。本文以滚动轴承为研究对象,针对现有技术的不足,提出了一套基于长短期记忆网络LSTM的轴承故障诊断模型,可以依据网络特性自动提取特征和故障识别。本文首先建立了基于LSTM的轴承故障诊断模型,将数据映射到线性网络层,通过长短期记忆网络训练参数,再输入到softmax输出层得到分类类别的概率分布。模型对凯斯西储轴承故障试验平台中含有内外圈和滚动体点蚀故障的轴承数据进行识别试验,结果表明该模型能有效识别轴承的故障部位和故障程度,并与预先提取小波包能量特征的LSTM模型和支持向量机模型作对比,证明该模型的准确率更高,稳定性更好。基于LSTM的轴承故障诊断模型已经达到了很高的准确率,但训练速度慢,难以满足实时监测的要求。卷积神经网络CNN中卷积层和降采样层可以充分提取数据特征并降低数据维度,加快训练速度。由此,提出了基于一维卷积的LSTM故障诊断模型,由卷积层和降采样层替代LSTM模型中的线性输入层。试验证明,在相同数据集上,CNN-LSTM模型提高了LSTM模型的准确率,并大大加快了训练速度。为了提高模型面对不同工况下轴承故障的泛化能力,增强模型的鲁棒性和抗干扰能力,提出了改进的CNN-LSTM故障诊断模型。将带有不同轴承不同载荷的故障数据进行数据增强来重塑数据集,对LSTM网络层的输出进行dropout,对线性输出层进行批标准化,最后通过softmax激活函数得到预测值的概率分布。实验证明,该模型能有效弥补CNN-LSTM模型在过拟合问题上的不足,提高模型的诊断性能。最后,通过t-SNE可视化技术验证了网络模型设计的合理性。