随着科学技术的不断进步,工业生产设备正朝着高速度、高精度、高效率的方向不断发展,为了确保这些设备在生产运行中不出现严重问题,需要定时采集设备运行中的相关数据来了解其健康状况,依靠传统的人工故障诊断技术已无法满足现阶段工业生产自动化、智能化的需求。滚动轴承作为工业设备中的重要部件,据统计,约有30%的机械设备故障是因为在运行过程中轴承发生故障所引发的^[1]。深度学习的一些落地应用,让人工智能出现在了更多人的视野中,越来越多的领域开始争先恐后地投入研究引入深度学习方法解决行业难题的可行性,其中便有机械设备故障诊断领域。基于深度学习算法构建对设备故障的诊断模型,具备很多优势,是传统方法无法相比的。尤其是在对大数据、多源异构数据等进行处理方面,其优势更是十分显著。利用深度学习相关方法,根据机械设备运行中采集到的滚动轴承相关数据资料,对其中信息进行挖掘,从而能够实时,精准地了解设备的健康状况,是当前对工业设备进行故障诊断领域需要重点研究的问题。因此,本文基于滚动轴承振动信号较复杂、非线性、波动较大等特点,以及传统的轴承故障诊断方法存在的种种不足,研究了基于深度学习的轴承故障诊断方法。本文研究中,对滚动轴承不同故障位置,不同故障程度的数据样本所具备的特征进行了深入探究,并基于此构建起对应的深度学习模型,并针对模型开展训练学习,进而实现对轴承故障的智能诊断。研究所使用的实验数据,来自于凯斯西储大学电气工程实验室,数据中包含有健康状态,以及内圈、外圈、滚珠三种故障形式及其各自对应的轻度、中度、重度等不同程度故障的轴承振动加速度信号。根据这些数据资料,本文构建了两种模型且开展了相关实验分析以及从多个层面出发对模型进行优化改进,最终通过实验验证了模型的诊断精度及其泛化能力。首先,作为探索,提出一种简单的LSTM作为基础模型,在训练过程中,将原始的时域振动加速度信号相关数据直接对模型进行训练和测试,以避免在对特征值进行提取的过程中,导致原始的数据信息出现丢失,不过该方式的效果不是很好,远远达不到预期。为了能够满足相关需求,构建了以一维卷积神经网络为基础的诊断模型,且对该模型进行不断的优化升级,利用数据增强技术处理实验数据,在单一工况下,该模型对故障的诊断正确率达到了100%,在变工况条件下,对故障的诊断正确率亦达到98%以上,证明了该模型具备较好的泛化能力。相对于其他研究滚动轴承故障诊断相关问题的文献中所提出的算法模型,本文构建的模型可以对滚动轴承故障进行更准确、更高效,更迅速的诊断识别。