滚动轴承作为工业设备中的核心器械,其工作状态直接影响整个机械系统的运行状态和性能,进而影响到工业生产的安全和经济水平。因此,需要通过对滚动轴承的故障诊断和剩余使用寿命预测技术研究来保证机械设备的正常运行。但如何对滚动轴承多位置、多类型的故障进行精准诊断;如何直接从原始的振动信号构建HI以保持信号的完整性是当今滚动轴承故障诊断与剩余使用寿命预测领域的热点问题。针对上述问题,本文将滚动轴承作为研究对象,利用深度学习技术对滚动轴承故障诊断和剩余使用寿命预测技术的研究,主要内容如下:1.提出一种基于时空特征融合的滚动轴承多故障诊断方法,首先对振动加速度信号和时序数据进行特征提取,分别利用分类模型中的长短时记忆网络提取轴承数据集的时间序列特征,一维全卷积网络提取滚动轴承振动加速度信号特征,接着融合两个网络提取的时空特征,并使用全连接层融合算法更新网络参数和特征,提出多分类算法训练特征并分类,最终实现对滚动轴承不同故障类型的识别。实验结果表明,该方法和卷积神经网络、长短时记忆网络、支持向量机等方法相比,具有更加显著的特征提取能力,最终分类准确率优于上述传统的方法,证明了该方法的有效性和优越性。2.提出了一种基于改进的D-cov AE和GAU的轴承剩余使用寿命预测方法,该方法直接从原始振动信号构建HI,首先将原始轴承的振动信号通过低通滤波器进行预处理,然后将振动信号输入到改进的D-cov AE模型中,构建出轴承的HI。构建出的HI值与AE、DNN、KPCA等方法相比,在综合性能方面具有从原始轴承振动信号构建效果更好的HI的能力。进行了多次对比实验后,结果表明基于二次函数的D-cov AE模型构建的HI比传统数据驱动构建的HI具有更强的预测能力。最后向GAU模型中输入D-cov AE模型构建出的HI值,实验结果表明所提的D-cov AE模型比传统方法所构建的HI具有更强的预测能力。