由于滚动轴承工况的复杂性,采集到的振动信号往往受到强背景噪声干扰,难以提取到有效的故障特征,因此无法依靠传统的振动信号处理方法建立精确的物理模型确定故障类型和部位。深度信念网络的发展弥补了传统故障诊断方法在处理非平稳信号时存在的不足,该深度模型能够通过RBM叠加,层层挖掘数据的内部特征,着重从噪声的抑制、信号的压缩与重建、故障特征可视化及故障类型的快速识别等方面,最大程度地减小滚动轴承故障诊断的复杂度。首先针对深度信念网络层数的随机确定引起的故障诊断精度下降问题,提出一种基于动态增添算法的隐含层层数确定方法,旨在通过误差与误差下降速率来完成对层数补偿,提高网络结构选择的智能化,保证深度信念网络在故障诊断过程中,始终以最简结构满足精度要求。之后按照逐层递减原则,设置模型的隐含层神经元节点数目,在提取信号高层特征的同时,实现信息的压缩简化,便于分类。其次,在深度信念网络有监督微调阶段,保留了传统深度架构所采用的BP算法,在进行参数空间优化时,每层的递推速度不可避免地要受到激活函数本身梯度的限制,导致训练难度和时长增加,且极易陷入局部最优解,致使网络的泛化性降低。针对上述问题,提出一种基于自适应学习率L-M DBN的优化算法,通过可变学习率实现对参数优化速度的调节。在迭代前期误差较大时,梯度较大,进而保证参数优化速度,提高模型灵敏度。后期随着迭代次数的增加,误差逐步降低,参数更新的速度放慢,以防止错过最优点,出现网络不收敛的情况,极大提高了深度信念网络训练的效率。最后分别从故障分离能力、稳定性与灵敏度等几个方面进行模型测试。通过与传统深度信念网络模型的诊断结果进行比较,验证了本文所提方法在保证较高学习效率的同时,能够有效避免模型过拟合现象的发生,且基于滚动轴承故障验证集的识别精度高达97.96%。