机电装备中的旋转部件,如轴承、齿轮、丝杠等,是重大机电装备传动系统的关键部件。在机电装备稳定运行的过程中,其传动部件长期处于交变载荷的条件下运行。运行过程某一部件的局部损伤极易演化为晚期故障,进而引起传动系统瘫痪,最终导致整台设备的停机乃至整条生产线的停工。针对上述问题,本文以旋转部件中故障多发的零件(轴承)为研究对象,以拥有强大特征提取能力的卷积神经网络为基础,提出将特征提取、特征降维以及分类器三个环节合而为一的智能诊断模型。同时针对轴承小样本条件下故障诊断问题,提出基于数据层面和算法层面相结合的模型优化方法,为解决小样本问题提供一种新的可能性。首先,完成轴承试验台的搭建工作,包括硬件选型、测试原理介绍、实验设置和数据分析。其次,以基本层级结构为展开对卷积神经网络进行分析,包括卷积层、激活层、池化层和全连接层。随后,建立本文所使用的故障诊断数据集。最后,基于上述工作,搭建一个包含5个卷积层的神经网络模型。该模型以时域振动信号作为输入,拥有层级结构简单、计算资源占用量小、模型可塑性强等特点。利用本文建立的数据集对模型进行测试,其分类准确率均高于95%,是论文后续研究的基石。针对故障诊断中的环境噪声难以消除与工作负载变化引起的振动信号分布改变的问题。本文将其归纳为深度学习中的领域自适应问题,即目标领域(测试集)的分布与源领域(训练集)的分布不一致的情况。为解决上述问题,从领域自适应的角度,对论文第二章提出的模型进行分析及优化,包括针对变负载问题基于Ada BN算法的模型优化和针对环境噪声问题基于第一层大尺寸卷积核的模型优化。针对小样本问题带来的故障信息缺失,导致训练后的模型很容易陷入过拟合的问题。本文,在数据层面采用过采样和生成式对抗网络(Generative Adversarial Networks,GAN)相结合,自适应地生成高质量的虚拟样本;在算法结构层面采用卷积核Dropout算法和小批量训练相结合,在保证分类准确率的基础上提升模型的泛化性,为解决小样本问题提出一种新的可能性。经过上述技术手段的优化,模型在不依靠任何目标领域信息的情况下,依然具有优良的抗噪性与负载自适应能力。最后,针对算法的落地以及系统的推广,搭建了故障诊断软件系统,软件编程语言和库包括:Python3.7、Tensor Flow2.0和Py Qt5。基于模块化编程思想,将软件划分为以下相对独立的子模块,包括测试人员管理模块、信号分析模块、典型故障样例库模块以及智能故障诊断模块。并且,使用本课题轴承试验平台所采集的数据对软件进行实测,结果表明软件系统不仅可以从时域、频域以及时频域的角度进行信号分析,还可以自动完成样本划分工作并进行轴承故障诊断。