滚动轴承是旋转机械的重要部位,其工作状态的好坏直接影响整个设备的工作性能,且轴承运行环境复杂,极易发生故障,而轴承故障往往会造成严重的事故,因此,对滚动轴承进行准确的故障识别与分类是工程应用中至关重要的问题。随着现代工业的快速发展,更多的机械设备加入到工业生产,轴承故障频发,轴承故障呈现出一种“大数据”的特性,使得BP神经网络等其他浅层模型面临维数灾难等问题,且现场获取的故障数据往往是不完备和无标签的,因此,传统模式识别的方法很难建立有效的诊断模型,亟需具有自学习能力的诊断算法及模型的开发与研究,这已成为当前主要研究热点和亟待解决的问题之一。深度置信网络(Deep Belief Network,DBN)采用无监督逐层贪婪的训练方法,可避免特征提取与选择的人工操作,具有处理高维、非线性数据的能力,能有效地防止发生维数灾难等问题,非常适合处理新时期工业“大数据”的故障诊断难题。前期研究已表明,DBN的一个显著特点是可直接从低层原始信号出发,通过逐层贪婪学习得到高层特征表示,故本文从滚动轴承的原始数据出发,结合S变换和贝叶斯分类器,提出一种基于两级深度置信网络(DBN)的滚动轴承故障自学习方法,主要研究内容如下:(1)建立一个多隐层的DBN网络,在故障类型完备故障损伤等级不完备的情况下,直接将原始轴承故障数据归一化处理后作为DBN的输入,经过DBN的特征提取与分类器的分类,实现故障类型的准确识别,并将其与BP神经网络的分类效果进行了对比,结果表明DBN具有其他浅层网络不可比拟的特征提取能力。(2)利用DBN强大的特征提取能力,建立两级DBN滚动轴承故障自学习模型。首先,建立DBN1故障类型自学习模型,对原始轴承故障数据做S变换处理后,求取S变换模矩阵,其结果是一个二维矩阵,行代表频率,列代表时间,通过提取时间列的幅值均值信息作为DBN1的输入用于提取特征,将提取的特征作为贝叶斯分类器的输入,对贝叶斯分类器输出的后验概率划分合理的属于相同故障类型或不同故障类型的置信区间,实现故障类型分类模型的自学习。其次,建立DBN2故障损伤等级自学习模型,对实现故障类型识别的数据进行故障损伤等级的分类,把这些数据归一化处理后作为DBN2的输入用于提取特征,将提取的特征作为贝叶斯分类器的输入,选择与故障类型分类相同的置信区间划分方法,实现故障损伤等级分类模型的自学习。最后,通过该两级DBN分类模型实现轴承故障类型与损伤等级的智能分类。