滚动轴承是机械设备中的关键零件,也是设备中最容易发生故障的部位,对滚动轴承进行故障诊断的研究具有重要的研究意义。数字化工厂的快速发展,使数据的获取方式变得更加丰富,以数据为驱动的智能故障诊断方法正逐渐成为研究的热点。传统的故障诊断方法采用人工进行特征提取和特征选择,工作复杂度高,并且获得的模型稳定性不高,本文以滚动轴承为研究对象,采用深度卷积神经网络进行滚动轴承故障特征的自适应提取。针对单通道信号容易在故障诊断中出现信息遗漏而造成故障的错误判断,使用全矢谱信息融合技术;针对建立卷积神经网络的故障诊断模型,其结构参数通常采用经验和借鉴的方法,引入遗传算法对模型结构进行优化设计。针对上述问题本文提出了一种基于遗传优化的全矢卷积神经网络滚动轴承故障诊断模型。文章的主要研究工作总结如下:(1)建立了基于全矢谱技术和深度卷积神经网络的滚动轴承故障诊断方法(全矢DCNN)并通过实验进行验证。首先使用全矢谱技术进行同源双通道信息融合,获得信息相对完整的样本数据,然后建立卷积神经网络模型,通过dropout等技术抑制网络的过拟合,利用Adam优化算法对模型的权重和偏置参数进行调整,完成网络模型的训练,最后在测试数据集上进行模型的测试。对全矢DCNN模型进行对比实验,实验结果表明,全矢DCNN模型比单通道的DCNN模型和全矢DNN模型具有更高的故障识别准确率;在添加相同噪声信号后,具有卷积结构的DCNN模型比全连接型的DNN模型具有更高的准确率,与全矢谱技术结合后,模型的准确率进一步提高。(2)对根据经验设计网络模型的结构参数问题,采用了遗传算法来对全矢DCNN模型的卷积结构进行优化设计,提出了基于GA优化全矢DCNN的轴承故障诊断模型。首先通过不同卷积结构的网络模型进行对比试验,确定了待优化参数对象;然后根据参数的特点和关联性进行了相应的遗传算法设计,通过迭代训练确定模型最优的结构参数,实验结果表明,优化后的全矢DCNN模型在滚动轴承的故障诊断中有更高的准确率,并且特征数据的分布边界更加清晰。