滚动轴承是旋转机械设备中最常见的零部件之一,也是众多重型机械的核心或重要部件,它能够减少运动部件之间的摩擦并使机器设备有效地运转。作为一种精密的机械支撑元件,滚动轴承运行是否正常直接影响到整台设备的性能。滚动轴承故障会导致机器故障,甚至导致严重事故,因此,需要对滚动轴承的运行状态进行监测,及时发现存在的异常和可能出现的故障,以确保滚动轴承正常工作。虽然在轴承故障诊断方面已经取得了许多重要进展,但在大数据时代仍需继续探索更好的故障识别方法。本课题利用深度学习来研究轴承故障信号的自动分类。首先分析了滚动轴承常见的故障表现形式,分别用频谱分析、包络分析和小波包分析对轴承故障信号进行了处理,提取了故障特征。研究了网络层数、迭代次数和隐含层节点数对深度神经网络(DNN)性能的影响,搭建了适合轴承故障信号识别的DNN结构。在此基础上,提出了一种基于深度学习的轴承故障智能自动分类算法。该算法从频域提取信号特征并为每个样本设置随机标签数来建立样本库,用该样本库对搭建的DNN进行训练,通过使用子信号对训练的DNN进行测试来调整样本标签,用修改后的样本库再次对DNN进行训练。经过DNN训练和测试的迭代之后,将具有相似特征的故障样本聚集在同一个类中。用凯斯西储大学(CWRU)轴承数据中心提供的实验数据对本文提出的算法进行测试,结果将驱动端12kHz和48kHz、风扇端12kHz的轴承数据自动分为7类、6类和4类,这表明本文所提出的算法具有很强的自动分类能力。本文所提出的算法能够在没有人类知识干预的情况下,实现对多种故障信号进行自动聚类,为轴承故障的智能识别和诊断提供了一定的技术支撑。