在机械作业中使用滚动轴承进行工业生产的时候,滚动轴承是经常发生故障的零部件,滚动轴承在发生故障的时候,由于轴承的振动信号不稳定,信号呈现非线性的特点,这使得当前有的一些滚动轴承故障诊断系统或者诊断方法存在对原始信号提取能力弱,识别滚动轴承信号能力差导致最终导致诊断结果和预期结果有很大差距。为了增强故障诊断系统的智能性和准确度,提高系统泛化能力使之可以适应工厂大数据故障诊断的需求。本文针对这样的情况做出了以下两点的改进:1.针对传统神经神经网络滚动轴承故障诊断模型中没有对故障数据中的频域数据信息进行单独的识别,本文在实验中对比小波变换和短时傅里叶变换的各个方面的差异,最终选择短时傅里叶变换,在传统的诊断模型中提出了短时傅里叶变换的诊断模型。对原始数据使用滑动窗口采集技术进行样本采样,然后将得到的样本使用短时傅里叶变换进行变换,这样得到一个二维的时频数据样本,将得到的样本在神经网络模型中进行训练。在经典滚动轴承数据集凯斯西储大学轴承数据集下进行实验,实验结果表明这种处理方法在数据缺失或者数据不平衡的情况下依然可以得到比传统模型更好的效果。2.针对滚动轴承数据在采集的时候采集环境有很大的噪音,这样采集的数据样本对模型的训练有很大的干扰,对此本文提出对网络结构进行优化,在故障诊断模型中加入特征提取模块和长短时记忆网络,改进传统滚动轴承对全局特征提取的缺陷,增强诊断结果的准确度,提高模型的泛化能力。通过实验结果论证该进的模型比传统的模型有更好的效果。