作为机械结构中的常见部件,滚动轴承在大载荷、强冲击等复杂工况下,极易产生各种故障,直接导致机械设备工作状况恶化。近年来,随着人工智能理论的快速发展,基于振动信号的智能化轴承故障诊断技术受到了广泛关注。其中,深度学习方法已在轴承故障诊断领域取得了良好的诊断效果。但深度模型的建立通常需要依托于较大的数据量。而在实际工程中,数据的采集和积累容易受到各方面限制,导致可用数据量不够充足。这种情况下,以深度自编码为代表的深度模型所提取的特征表示能力不足,诊断精度低下,同时,诊断结果易产生较大的随机性,数值稳定性变差,从而制约了深度学习方法在故障诊断领域的实用性。针对上述问题,本文从轴承故障状态间的结构化信息入手,将输出端的判别信息引入无监督的特征提取过程中,以克服在训练数据不充足的情况下深度学习方法产生的随机性和数值不稳定现象,实现对轴承的多种故障类型快速稳定的诊断。具体而言,本文主要内容如下:(1)基于深度学习的故障诊断方法可以从数据中自适应提取辨识度较高的故障特征,但通常存在收敛速度慢、计算量大的问题,同时像多层极限学习机这样具有快速训练速度的深度学习算法,不可避免地具有较大的随机性。为解决这些问题,本文提出了一种新的深度输出核网络,并在此基础上实现轴承故障诊断。该方法首先利用极限学习机自动编码器自动提取故障特征,进而构建包含输出核正则项的目标函数,优化得到输出核矩阵,并借助该矩阵,将故障分类器的多维输出融合为最终的诊断模型。在美国凯斯西储大学公布的轴承故障数据(CWRU)和全寿命轴承数据(IMS)上进行仿真实验,结果表明,该方法可以在可接受的时间内有效提高轴承故障诊断的准确性,同时具有良好的数值稳定性。(2)针对传统的自动编码器无法直接提取具有判别能力的特征,同时未能充分利用数据之间结构化关系的问题,提出了一种基于判别信息融合的自动编码器算法。该算法首先在自动编码器原有的目标函数中加入用最大相关熵约束的判别损失,在此基础上又添加类别信息的对称约束来建模数据和类别之间的结构化信息,最终构成基于判别信息融合的自动编码器的目标函数,并利用梯度下降算法对目标函数进行求解。在CWRU和IMS轴承故障数据集上进行仿真实验,实验结果证明了所提算法在诊断结果的精度方面的有效性。此外,Kruskal-Wallis检验的结果也表明所提出的方法具有良好的数值稳定性。综上所述,本文在样本较少的情况下,利用数据和标签之间的结构化信息,提高了深度学习方法的预测精度和数值稳定性,为滚动轴承的故障诊断问题提供了新的、有效的解决方案,具有非常显著的工程应用价值。