电主轴作为高档数控机床的核心部件,已广泛应用于各种尖端及特殊制造领域中,其性能和运行状态直接影响着设备的加工精度和产品质量。滚动轴承作为电主轴的主要支承形式,在电主轴复杂的运行条件下,其寿命一定受到极大的影响。电主轴轴承一旦出现故障,必将导致电主轴乃至整条生产线瘫痪。为了确保电主轴能够安全可靠的运行,对电主轴轴承的故障进行诊断是必不可少的。随着深度学习方法的发展,从数据本身自主学习特征的思想为故障诊断提供了新思路。而卷积神经网络作为深度学习中泛化能力最强的一种方法,也为电主轴轴承故障诊断领域开辟了广阔的发展前景。本文以电主轴轴承故障为研究对象,采用时频分析方法将轴承的故障信号转换为图像,作为改进后的卷积神经网络的输入样本,并将改进后的方法应用区分于电主轴轴承的故障类型,本文的主要工作如下:(1)结合电主轴轴承的理论知识,对其故障频率特性进行了分析,模拟仿真了轴承外圈的轻度和重度故障,阐述了本文采集振动信号的实验平台,并介绍了振动信号常见的处理方法。(2)对卷积神经网络的结构和训练方式展开研究。通过使用Python编写部分重要函数说明了 Tensorflow框架是如何实现卷积神经网络的,同时利用轴承外圈轻度和重度故障的仿真信号验证了卷积神经网络优异的分类性能,并分析了在短时傅里叶、连续小波、S变换下,迭代次数对分类准确率的影响。(3)为了区分电主轴轴承的故障类型,设计了一种基于改进的LeNet-5卷积神经网络电主轴轴承故障诊断方法。经过对比多种时频分析方法,得出振动信号经S变换后的时频图效果最佳,并将这些时频图用于后续的训练和测试。同时对LeNet-5模型进行多方面的优化与改进,并在此基础上提出了一种基于bagging和分块卷积神经网络的电主轴轴承故障诊断方法。该方法通过微调训练样本,并利用投票原则确定故障类型,进一步提高了卷积神经网络的稳定性。实验结果证明,改进后的方法可以有效区分电主轴轴承的正常状态与三种故障状态,与其他方法相比,其分类准确率不仅提高,训练过程也更加稳定。(4)由于浅层卷积神经网络学习不充分,无法区分特征相似度较高的故障,因此设计了一种基于改进的VGG-16卷积神经网络电主轴轴承故障诊断方法用于区分九种相似性较高的故障类型。通过采集九种不同工况下的电主轴轴承故障信号,经过S变换将其转换成输入样本,并融合Batch Normalization(BN)方法对VGG-16模型进行改进,得出BN方法不仅性能优于Dropou方法,同时放置在全连接层时性能最佳。改进后的VGG-16卷积神经网络既能弥补浅层神经网络学习不充分的缺点,也可以保证训练进程快而稳。本文设计的基于卷积神经网络的电主轴轴承故障诊断方法可有效识别电主轴轴承的故障类型,提高故障诊断精度。