近年来,机械装备正朝着高效、高精的方向发展,为确保这些机械装备的正常运行,需要对其建立可靠的健康检测系统,而滚动轴承作为机械装备中的核心部件,对其建立可靠的诊断系统是保证机械装备平稳运行的关键。滚动轴承振动数据能体现其运行状态的内在信息,传统的基于信号特征提取加分类器的诊断算法对专家经验要求高,特征提取过程复杂,设计耗时且不能保证通用性。为区别于传统的振动数据特征提取方法,本文提出了一种基于残差网络的机械滚动轴承故障诊断方法,自动完成故障特征信息提取与故障类型诊断。(1)为避免网络模型因样本数据过少而形成的网络过拟合现象,本文利用滑动采样数据增强方法,对滚动轴承振动基本数据集的样本数量进行了扩充。(2)鉴于待检振动数据中的噪声对网络模型的影响,本文基于经验模态分解和小波阈值函数提出了一种改进的降噪算法,该算法避免了小波硬阈值函数去噪方法中数据突变以及小波软阈值函数去噪方法效果不佳的问题。(3)针对振动数据样本的跨负载问题,本文基于卷积神经网络模型,提出了一种批标准化的改进算法。该算法使网络模型对不同工况条件下的滚动轴承故障诊断的准确率较传统方法有所提高,使网络模型在训练集和测试集负载存在分布性差异的工况条件下,故障诊断准确率提高到87.9%,运用权重衰减方法克服过拟合。(4)为降低残差网络模型在训练过程中对学习率的依赖性,本文提出了一种基于平均融合策略的残差网络改进算法。在残差网络模型的层深为33层、训练轮数为500轮次时,故障诊断整体精确度达到90.95%,并且使训练结果更加稳定。