滚动轴承是机械设备中的关键零部件,轴承的好坏与设备能否正常运转密不可分。随着生产的高效化、智能化和多样化,大量的故障数据出现多元化,则对设备智能故障诊断的要求越来越高,特别是滚动轴承的故障诊断成为重中之重。然而现有的方法在滚动轴承故障诊断方面还有一些不足:传统的轴承故障诊断是对一些故障信号进行处理,需要高深的数学基础和强大的专业知识来提取故障特征,故障诊断识别准确率低;卷积神经网络的卷积层是对图像的空间位置进行特征提取,单纯的一维信号空间特征不明显,需把一维信号转换成二维图像;输入数据的预处理和网络在训练时出现过拟合,激活函数的运用会带来均值偏移;单一故障的诊断结果不能准确反映设备的真实工况。由于一维振动信号空间特征不明显,卷积神经网络对二维图像具有很好的特征学习能力,二维图像纹理信息表示故障受损特征,提高卷积神经网络模型提取故障特征的效率。针对传统轴承故障诊断方法的不足,本文首先搭建了一个简单的卷积神经网络模型对轴承故障二维振动图像进行诊断,其中只有两个卷积层和池化层,运用凯斯西储大学轴承数据集进行实验,得到了86.52%的轴承故障诊断准确率。验证了卷积神经网络的特征学习能力,解决传统的轴承故障诊断方法在提取故障特征时带来特征信息提取难和工序复杂的问题。针对sigmoid和修正线性单元(Re LU)激活函数的运用带来梯度消失和均值偏移,为了有效的提取故障特征信息和减少计算量,本文引入了残差层,并提出了改进的Re LU函数t Re LU,改进的Re LU解决x<0部分的神经元坏死和均值偏移,运用西储大学轴承数据集和德国帕德尔伯恩大学两种数据集进行验证,轴承故障诊断准确率分别为99.18%和100%。针对滚动轴承点蚀故障中单一、多种故障识别存在振动时序图像包含大量冗余信息的问题,提出了小波分解图像的卷积神经网络模型。该模型首先对振动图像进行小波分解,提取轮廓和细节特征,输入到卷积神经网络模型中,运用凯斯西储大学和德国帕德尔伯恩大学轴承混合数据集的15种轴承故障进行实验验证,准确率达到了95.33%。