在智能制造、大数据的工业背景下,如何利用制造系统中问题的发生和解决过程中产生的大数据显得尤为重要,如何利用大数据去推动智能制造的发展也越来越关键。装备、维护均属于智能制造的核心要素,并且过去三次的工业革命也都有围绕这两个核心要素进行技术升级。生产系统的正常运转需要可靠的机械设备健康管理系统来做指导,但生产系统的隐患会导致不同的故障类型,而不同的故障类型给生产系统所造成的影响不同,在深度学习的基础上如何利用工业数据提高对机械零部件故障诊断的识别分类精度是本文的研究重点。首先研究了如何用快速傅里叶变换使振动信号的时域信号转换到频域信号,并且提取跟振动信号有较强关联的、可被量化的、有效的健康特征,在振动信号中加入了高斯噪声提高了故障诊断模型中神经网络的泛化性。针对工业环境采集的低信噪比的数据,提出用最大重叠离散小波变换来对振动信号进行降噪,并得出快速谱峭度图,该方法可以减少神经网络模型的参数,在提高了模型诊断精度的同时也加快了神经网络的收敛速度。通过对神经网络的研究,基于深度学习tensorflow的框架搭建了神经网络,利用快速傅里叶变换来得到的特征指标来作为神经网络的输入,该模型在凯斯西储大学的轴承数据集上取得了良好的诊断效果。针对利用单一工况下得到的故障诊断模型在变工况进行故障诊断时,诊断模型的识别率会降低的问题。本文在迁移方式及迁移神经网络中有所改进,并且对神经网络进行剪枝及加速,实验证明,该诊断模型取得了较高的诊断精度和较强的适应性。