随着全球工业的快速变革,现代机器的构造日益复杂,自动化水平也在不断提高,随之而来的是日常故障检修和维护难度的逐渐增加。作为在工业领域得到广泛应用的旋转机械,其中的关键部件滚动轴承引起的机械故障可能会导致旋转机械系统异常,从而造成巨大的经济损失,甚至会造成一些不必要的伤亡。因此,及时准确地监测滚动轴承的健康状态显得至关重要。由于智能传感器和数据处理技术的快速发展,滚动轴承健康状态监测进入了“大数据”时代。监测滚动轴承的健康状态主要是通过对从传感器获取的采样数据进行诊断分析以进行故障评估和预测分析以预测故障。在故障诊断方面,特征提取和分类器组合的传统诊断算法,存在通用性低、时频转换易丢失特征、识别率可以进一步提升等问题;而在故障预测方面,因为噪声、数据的不规则采样等原因,数据不能直接输入到回归模型中,因此先前的研究集中在特征提取/融合的方法上,这些方法需要丰富的专家知识。基于此,本文从故障诊断和故障预测两方面,对滚动轴承的健康状态监测方法进行研究,构建了基于深度学习的滚动轴承健康状态监测系统。首先,论文阐述了课题的来源和研究背景,分析了包括故障诊断和故障预测在内的轴承健康状态监测方法的研究现状,并对存在的关键问题进行了分析和研究。然后,对滚动轴承健康状态监测系统的需求进行了讨论,提出了滚动轴承健康状态监测系统架构,并对其中涉及的基于一维卷积神经网络（Convolutional Neural Network,CNN）的故障诊断技术、基于关键特征和深度双向长短时记忆网络（Deep Bidirectional Long Short Term Memory Network,DBLSTM）的故障预测技术和基于增量学习的动态调整技术等关键技术进行了探讨。然后,提出了基于一维卷积神经网络的滚动轴承故障诊断方法TSCNN（The Stack Convolutional Neural Network）。构造了一个具有层次结构的CNN模型,该模型的第一个层次是专门为故障类型划分而设计的;在第二个层次中,对每种故障类型分别构造不同的CNN分类模型,进一步将某个故障种类划分为几个不同故障程度的类别,以便对故障进行更精确的分类。最后在凯斯西储大学（Case Western Reserve University,CWRU）数据集上对TSCNN进行了验证,故障识别率可以达到100%。再次,提出了基于关键特征和DBLSTM的滚动轴承故障预测方法DBLSTMSAE（Deep Bidirectional Long Short Term Memory Network-Stack Auto-Encoder）。首先使用堆叠自编码器（Stacked Auto-Encoder,SAE）从顺序输入的数据中提取关键特征;其次采用深度双向LSTM来实现对时间信息的编码;接着在深度双向LSTM的基础上构建堆叠的全连接层和线性回归层,以预测目标数据;然后将预测的数据输入到故障诊断模型TSCNN中,对预测的数据进行诊断,以提供更多可参考的信息,并引入了增量学习的思想,以实现动态模型。最终在CWRU数据集上对DBLSTM-SAE进行了验证,均方根误差值可以达到0.147。最后,以智能药房为对象,以所提出的滚动轴承健康状态监测方法为基础,构建滚动轴承健康状态监测仿真系统,并对所构建的仿真系统进行测试及分析。结果表明,所提出的方法具有一定的理论意义,所构建的系统具有可行性和先进性,能够满足使用要求,具有较好的工程应用价值。