滚动轴承是旋转机械设备中的一种重要零部件,作为连接旋转部位与固定部位的“关节”,滚动轴承是旋转机械设备中最容易发生故障的部件之一。对滚动轴承的运行状态进行连续监测,并及时检测和识别其潜在的故障是提高旋转设备可靠性与安全性的关键。目前国内开展的关于滚动轴承的缺陷诊断技术还无法实现对故障的自动检测与识别,且现有方法存在检测识别率偏低、环境适应性差等缺点,因此有必要深入研究轴承缺陷检测技术,提高对故障的信息分析与处理能力,以保障滚动轴承在使用中的正常运行,减少事故发生率。论文以滚动轴承为研究对象,采用非平稳随机信号处理手段对信号进行时间频率分析和时间尺度分析,得到的时频能量分布作为成像依据,计算生成故障特征图像,从而完成由轴承故障信号到图像的计算成像,得到样本数据库。通过计算成像算法和卷积神经网络,将滚动轴承的缺陷检测问题转化为故障特征图像的识别与分类问题。论文采用深度学习技术来完成缺陷检测与识别,首先构建了卷积神经网络(CNN),利用基于短时傅里叶变换(STFT)、小波变换(WT)和维格纳-威利分布(WVD)的故障信号特征图像数据集对卷积神经网络进行训练,选取适量样本制作训练集和测试集,将设计好的卷积神经网络通过训练集训练后,再使用测试集进行测试,验证了本文提出的基于计算成像的滚动轴承缺陷检测算法的可行性,证明该卷积神经网络能够实现对故障特征图像的识别与分类,从而实现对滚动轴承的缺陷检测与诊断。仿真结果表明,基于小波变换的故障特征图像训练所产生的卷积神经网络具有良好的识别准确率,且综合准确率明显优于其他两种卷积神经网络,达到了98.9%。