滚动轴承是工业生产中最重要的旋转机械部件之一，当轴承出现故障但未被发现时，设备的稳定性和寿命都将受到较大的影响，甚至引发灾难性后果。并且轴承往往位于机械部件内部，即使出现严重故障，通常也难以通过外部观察的方式直接对其进行诊断。而通过数据采集与监视控制系统（Supervisory Control And Data Acquisition，SCADA）系统，可以很方便地提取轴承的加速度振动信号，振动信号中往往蕴含着许多故障信息。因此，通过对振动信号进行分析可以实现轴承故障的诊断与分类。
　　目前，传统的轴承故障诊断方法首先对轴承振动信号进行处理，再通过人工或者机器学习的方法对处理的数据进行故障诊断。但传统的方法步骤繁琐，并且很多情况下需要具有专业知识的工程师才能掌握，这显然不利于及早发现轴承的故障。而深度学习由于其强大的学习能力，广泛地应用于轴承故障诊断过程之中，成为了目前主流的方法之一。目前，主流的深度学习方法包括端到端的深度学习方法和基于图的深度学习方法。其中，端到端方法直接将原始信号进行分类，其速度快但准确率低；基于图的方法准确率较高，但抗噪性、泛化性依旧不强。针对目前深度学习轴承故障诊断方法仍然存在的问题，本文充分利用深度学习的学习能力和多模态、多视角数据的互补信息，提出具有鲁棒性强、性能高的轴承故障诊断方法，实现了轴承故障诊断的自动化和智能化。
　　本文的研究内容主要包括以下几个方面：
　　（1）针对传统的深度学习轴承故障诊断方法抗噪声能力较弱、鲁棒性不强的问题，本文提出了一种基于图的多视角轴承故障诊断方法。该方法将同一段振动信号分别通过短时傅里叶变换（STFT）和连续小波变换（CWT）生成不同的时频图，并将其进行特征融合。长窗口的STFT能够更加专注于原始数据的低频信号，CWT能够更加专注于高频信号，通过特征融合实现了信号的互补，使得模型的准确率更高。通过原始数据和添加噪声信号的对比实验表明，本方法在原始信号下的故障分类准确率接近100%，在强噪声环境下的准确率也超过99%，证明了该方法具有较强的抗噪性和鲁棒性。
　　（2）针对传统的振动信号故障诊断方法泛化性不强，且添加额外加速度传感器成本过高的问题，本文提出了一种多模态的轴承故障诊断方法。该方法将驱动电机相电流信号生成灰度图，将振动信号生成时频图后进行特征融合，并通过添加Dropout层降低了模型的过拟合程度。相较于振动信号而言，驱动电机相电流受到的影响较小，因此通过多模态的特征融合，提高了模型在不同工况下的泛化性。实验表明，该方法在不同工况下的平均准确率超过94%，具有强大的泛化性。