随着工业的不断发展,机械化水平不断提高。人们为了避免机械设备损坏带来损失,对设备故障诊断的要求也越来越高。滚动轴承作为机械设备的关节,属于易损器件,一旦发生故障,会严重影响设备的运行。因此对滚动轴承的故障诊断研究是非常有必要的。对于传统的机械设备诊断方法,一般为采集设备信号,然后采用时域分析、频域分析等方法,这些方法的缺点是严重依赖于经验。基于深度学习的智能故障诊断技术就可以克服传统诊断的不足,本文围绕着滚动轴承的智能故障诊断及预测,完成了以下内容的研究:(1)滚动轴承的故障特征及提取方法。首先分析滚动轴承的故障及特征频率,然后针对卷积神经网络,本文采用了SDP分析法,用于将振动信号转化为二维图像。然后分析了SDP法的优缺点,针对SDP图像转化法的缺点,本文提出了原始数据拼接法,将信号转化为二维图像。通过实验验证,相对于SDP分析法,原始数据拼接法效果更好。(2)本文采用了基于残差神经网络的深度学习模型。通过引入浅层网络的映射,使得神经网络可以有更深的深度以及更好的训练效果。本文以残差神经网络为基础,给出了滚动轴承故障诊断的训练集预测方法。然后针对深度残差神经网络参数过多的缺点,本文利用密集网络结构简化训练参数。实验表明,同等网络深度下,残差神经网络的训练参数是密集连接网络结构训练参数的20倍以上。实验证明,小样本的情况下,密集神经网络有抑制过拟合的优点,基于两种算法的故障诊断模型也都有不错的表现。(3)提出了改进训练过程中容易出现过拟合的问题的两种方法。由于滚动轴承振动特征图像素单一,训练时容易出现过拟合现象。为了提高模型的泛化能力,抑制过拟合,本文对残差神经网络进行了改进。首先采用随机权重下降法,来提高训练速度及训练效果。它是随机梯度下降法的一种改进算法。然后针对容易过拟合的现象,本文使用了dropout抑制过拟合现象。实验表明,采用的两种方法对训练效果及训练速度都有一定的提升。