大型工业设备滚动轴承故障不仅仅会对经济造成损失,更重要的是会危及人们的生命安全,随着科技的进步与飞速发展,从传感器中获取大量的振动信号已经司空见惯。所以,分析大型工业设备滚动轴承亚健康的传感器振动信号,预测可能发生的故障,可以及时预警设备的状态或者更换设备零件,减少安全隐患,无论对工业还是对工业设备的操作者都是有意义的。因而,有很多专家学者对亚健康识别算法给予关注并展开深入研究。分析并对比近几年学者的亚健康研究成果后,针对传统算法特征提取费时、费力以及诊断精度不高的问题,本文提出改进胶囊网络优化分层卷积的亚健康识别算法。该算法以卷积神经网络(CNN)和胶囊网络(CAPSNET)为主体。首先,针对传统CNN为提高轴承亚健康识别精度不断堆叠卷积层和池化层致使花费大量训练时间的问题,一方面提出分层的CNN,将数据输入到三个并行的不同大小的卷积核中处理,多角度的提取信号中的亚健康信息,另一方面对数据进行两种降噪处理方式,即小波降噪法和小波包降噪法,更好的保留原始振动信号中有用的亚健康信息。建立多输入分层CNN的亚健康识别模型,提出的模型根据振动信号即可进行亚健康识别。然后,针对CNN不能根据部分来识别整体从而对最后亚健康识别结果产生影响以及原始胶囊网络更新参数庞大、胶囊向量特征冗余的问题,将卷积后的结果输入到改进的胶囊网络进行亚健康识别。改进的胶囊网络采用修剪机制,当低层胶囊与高层胶囊表达的内容不一致时,耦合系数的值就会变得很小,根据阈值修剪耦合系数,同时,将相应的权重参数进行修剪,减少CAPSNET的计算成本以提高性能。改进的胶囊网络亚健康识别算法根据部分与整体的关系,可以更快的输出亚健康识别结果。最后,通过西储大学的实测轴承数据集验证本文提出的改进胶囊网络优化分层卷积的亚健康识别算法,根据实验结果数据以及对比实验结果数据发现,改进后的算法可以有效的识别出滚动轴承的健康状态,验证本文改进后算法的有效性。