滚动轴承作为旋转机械的关键部件,其健康状况对安全生产至关重要。工业生产过程中,可靠的轴承故障诊断和寿命预测技术可以提供充足时间来修复或更换旋转机械设备当中有缺陷的轴承部件,进而降低维护成本、缩短停机时间。目前在大数据和人工智能备受青睐的工业背景下,基于深度学习技术的滚动轴承智能诊断和寿命预测方法越来越受到广泛关注。然而,至少还存在以下问题制约着智能方法的应用:故障数据通常难以获得导致神经网络的训练样本不平衡;故障诊断模型的鲁棒性和泛化性在强噪声和变转速工况下较差;面对较长的时间序列数据,寿命预测模型通常难以充分挖掘到其中的时序信息导致预测精度较低。针对以上问题,论文主要研究内容如下:(1)针对实际工业系统中轴承故障样本分布不平衡问题,提出了一种基于循环式生成网络的样本生成方法,该方法可以根据实际需求生成仿真的故障样本。首先,利用少量目标样本作为训练集训练循环生成式网络,使其能够学习到目标样本的数据分布信息,从而生成与目标样本同分布的仿真样本,为诊断模型提供样本平衡方法。通过实验数据对仿真样本质量进行评估,验证了所提出方法的有效性和生成样本的适用性。(2)针对传统故障诊断方法在复杂工况下鲁棒性和泛化性不足的问题,提出改进的卷积神经网络模型。首先,利用生成式网络获得平衡且丰富的训练数据集来提升模型的泛化性。然后用对抗训练代替传统网络训练方式,使模型能够适应于不同的输入扰动,增强其抗干扰能力,提升鲁棒性。最后,设计不同转速、强噪声与样本不平衡的实验数据对所提出模型进行对比与分析,结果显示其性能有较明显提升。(3)针对当前轴承寿命预测方法难以处理长时间序列数据导致预测准确性较差的问题,提出了一种基于双向长短时记忆网络的轴承寿命预测方法。鉴于传感器监测数据本质上就是时间序列数据,利用双向长短时记忆网络处理时序数据的优势,学习轴承在实际工作过程中的退化规律,并建立剩余寿命预测模型。最后在轴承全寿命振动数据上对所建立的模型进行验证,实验结果证明了其有效性和优越性。