随着工业和科技的快速发展,数控机床的智能化水平不断提高,设备部件的故障诊断技术已经趋于成熟,但是故障诊断只能做到对部件的故障分类,不能智能预警。因此,滚动轴承的故障预警系统受到大家的青睐,该系统具有状态检测、预知故障以及提供预警建议的能力。但目前的系统大多通过轴承的失效机理和本身的服役性能来间接的提供预警,这种方式不具有很强的智能性,因此本文通过深度学习技术来预测轴承的剩余寿命,通过寿命的结果给出相应的预警措施,结合软件工程理论搭建易于操作的预警系统。首先,对滚动轴承的具体结构进行分析,给出了轴承的退化类型;介绍轴承振动产生的原因,通过对轴承振动频率进行分析,对比自身运行产生振动和退化造成振动的区别,为振动信号可用于预测寿命提供理论依据;总结出轴承性能的退化规律,给出轴承剩余寿命预测和故障预警的联系。然后,针对滚动轴承剩余寿命难预测的情况,在分析了轴承原始信号特征提取困难的基础上,提出了降噪自编码器信号预处理以及基于多尺度卷积神经网络的轴承剩余寿命预测方式。该方法首先使用降噪自编码器对轴承原始振动信号进行编码,然后将编码结果依次经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出模块这四部分进行处理,最后输出预测的剩余寿命。同时提出了一种新型的改进均方误差作为网络的损失函数,取得了较好的效果。通过对轴承寿命预测实验的测试数据进行预测分析,该方法能够有效的预测轴承的剩余寿命。最后,对轴承故障预警系统进行了总体规划,通过设计软件和硬件对系统提供服务。硬件部分选取了型号为LIS3DSH的加速度计采集轴承振动信号,缓存Redis模拟消息队列以及InfluxDB数据库对振动信号进行持久化。软件部分通过Keras框架生成底层网络模型,使用Java开发系统的各个模块,采用前后端分离的架构,实现了用户登录和管理、设备管理、权限控制、数据输入、寿命分析和预警等功能。