直升机自动倾斜器是控制直升机飞行状况的核心动部件,其中的滚动轴承一旦出现裂纹、磨损对直升机的安全飞行具有很大隐患,因此研究能够及时准确识别滚动轴承的诊断方法,对保证飞行安全具有重要意义。本文以洛阳LYC轴承有限公司针对某型直升机自动倾斜器滚动轴承模拟故障实验采集到的振动数据作为研究对象。采用短时傅里叶变换构造对应时频图,通过卷积神经网络(Convolutional neural network,CNN)对时频图的识别达到对轴承故障诊断的目的。主要工作内容和研究成果如下:(1)相关基础理论介绍。首先,采用短时傅里叶变换法和归一化法,构造任意尺寸时频图,得到时频图的灰度值,构造好的时频图能够同时表征振动信号时频域信息;其次,系统阐述了CNN网络结构、组成及其作用。(2)设计了针对直升机自动倾斜器滚动轴承故障诊断的CNN网络模型。首先,通过实验确定最适合的CNN网络结构具有4个卷积层,4个池化层,卷积核尺寸为3×3,卷积核数量分别为3/14/812,池化方式选用最大池化,使用50%的Dropout,Softplus函数作为其激活函数。并且针对直升机自动倾斜器滚动轴承故障诊断问题,实验验证该方法设计得到的CNN网络识别效果高、泛化能力强、过拟合效应低。(3)提出了基于短时傅里变换和CNN网络的直升机自动倾斜器滚动轴承故障诊断的方法。首先,对诊断数据进行分段,每段数据构造对应的时频图,并且将数据集分为训练数据,验证数据和测试数据。然后,使用训练数据对CNN网络进行训练,当训练的模型对验证数据的识别率达到要求或者达到最大迭代次数则停止训练,保存模型。最后,使用测试数据对模型进行测试,得出实验结果。通过大量实验,证明该方法具有很好的泛化能力,在小样本的情况下依旧能够达到较高的准确率,同时对不同的数据集依旧能取得较好的识别效果。