随着互联网+、人工智能+领域的研究深入,制造业也在积极向智能化生产、智能化维护转型。针对传统的维护策略存在着“维护不足”或者“维护过剩”的问题,故障预测与健康管理(PHM)成为当下研究的重点。作为各种工业设备的基础部件,滚动轴承一旦故障会直接影响设备运行,所以轴承的PHM研究具有重要的意义。深度学习作为近年来不断发展的机器学习方法,在图像识别、时间序列预测上都有不错的表现和优秀的模型。本文针对当前滚动轴承PHM研究中复杂工况下故障识别困难、预测不准确等痛点,结合能量谱分析与深度学习方法,提取故障指标进行相关模型的建立,深入研究了深度学习方法在轴承PHM中的应用,主要工作如下:1.针对变负载情况下轴承故障诊断不准确的问题,研究了基于Teager能量谱与卷积神经网络的故障诊断方法。一方面将Teager能量谱图引入到轴承的故障诊断中,能够有效的区分变负载情况下的轴承状态;另一方面结合卷积神经网络建立诊断模型,直接对Teager能量谱进行特征提取和分析,解决了人工特征提取不完善的问题又能够更好的对能量谱特征进行分析,实现深层次的特征提取。通过美国西储大学轴承故障数据集进行实验分析和验证,对网络结构等进行了对比分析,验证了方法的有效性和优越性。2.研究了基于FDI与Multi-LSTM-BP混合模型的故障预测框架和方法。根据Teager能量谱及其包络信号,提取标识故障变化趋势的故障发展指标(FDI);提出了Multi-LSTM-BP混合模型的故障预测方法。最后通过西安交通大学与昇阳科技公司轴承数据集进行了实验验证,实验结果表明本文提出的框架和方法具有更高的预测准确度。3.初步研究轴承剩余寿命分析,探索轴承故障对于轴承寿命的影响。主要考虑将故障发展情况与振动信号的时频域特征结合起来形成新的轴承健康指标,并用LSTM方法进行剩余寿命的预测。另外,使用AGA优化LSTM结构和参数的选择,使其能够针对不同的轴承自适应调整网络结构。通过西安交大轴承全生命周期数据集进行了实验分析验证了方法的可行性和有效性。研究结果表明,结合深度学习方法,本文提出的故障诊断方法能够更好地把握数据特征,解决变负载下的故障诊断和特征提取等问题,在本文实验环境及数据集下,得到了平均95.4%、最低93%左右的诊断准确率。另外基于LSTM的故障预测和寿命预测方法,一定程度上解决了传统方法过多依赖专家经验、预测效果不准确及通用性不佳等问题,通过在公开数据集上验证分析,160个测试点的故障预测准确率为92%,对发生外圈故障轴承进行健康退化指标的预测,MSE值为0.0367,RMSE值为0.19,能够较为准确的预测剩余寿命。