滚动轴承作为机械设备中支撑转动部件旋转的重要部件,其健康状况决定着机械设备能否安全稳定地运转。因此,进行滚动轴承的故障诊断研究具有重大的意义。在滚动轴承的故障诊断过程中,特征的有效提取是故障诊断的关键,提取的特征是否具有代表性直接影响着最后的诊断结果。传统的基于信号处理以及基于机器学习浅层模型的特征提取方法需要大量的专业知识和专家经验,很难实现轴承故障诊断的智能化。随着深度学习的兴起,深度神经网络模型可以自动提取出有意义的特征并进行分类,这为滚动轴承实现智能故障诊断提供了新思路。本文着重研究了深度学习框架下的堆栈自动编码器在轴承故障诊断中的应用。主要工作如下:(1)针对传统堆栈自动编码器提取的特征不具有区别性,尤其对于轴承相似故障诊断精度低的问题,提出了一种含有动态特征强化因子的堆栈自动编码器进行轴承相似故障的诊断。首先通过在传统自动编码器的训练过程中,引入隐含层神经元间相互竞争和增强的约束,构造了一种特征强化自动编码器;然后根据不同故障特征之间的差异性和编码特征含有输入样本的信息量设计了一种动态特征强化因子,将其应用于特征强化自动编码器中,可以自适应地提取差异性较大的特征;最后将多个特征强化自动编码器堆叠构造了一种含有动态特征强化因子的堆栈自动编码器,提高了轴承相似故障的诊断精度。(2)针对传统堆栈自动编码器不能直接对分布不同的轴承振动信号进行故障诊断的局限性,将迁移学习的方法与堆栈自动编码器结合,提出了一种基于域对抗堆栈自动编码器的变工况轴承故障诊断方法。在变工况轴承故障的诊断过程中,先使用源域数据对域对抗堆栈自编码网络进行无监督预训练;然后将源域数据和目标域数据作为输入数据,使用MMD域分布差异度量方法和优化域分类器混淆损失的方法提取域不变特征,实现网络的微调;最后使用训练好的网络模型对目标域轴承故障进行诊断。