轴承是旋转机械中的重要部件,轴承的故障可能导致严重的人员伤亡和经济损失,因此对轴承的故障诊断以及保障轴承的平稳运行是维护现代机械设备安全稳定运行必不可少的步骤。传统的轴承故障诊断方法侧重于手动设计复杂的降噪、滤波、特征提取过程,然而这些过程过于繁琐,缺乏智能性,在海量数据下依靠手工诊断愈发困难。此外,轴承运行工况复杂多变,手动提取故障特征困难,在复杂工况下的端到端轴承故障诊断研究亟待改进。随着信息技术的发展,深度学习具有强大的特征提取和表示能力,能充分利用海量数据自动学习轴承故障特征信息,为复杂情况下轴承故障的高效、智能诊断提供可能。为此,本文以滚动轴承振动信号为研究对象,以高噪声、不同工况等复杂场景下的端到端轴承故障诊断为应用背景,研究了不同的深度神经网络,主要研究内容如下:(1)为了实现端到端的轴承故障种类和严重程度的诊断,考虑到深度卷积神经网络有着强大的特征提取能力,能够替代手动挑选特征的过程,同时深层的卷积神经网络参数量巨大,影响计算效率,因此提出一种轻量级的深度结构优化卷积神经网络。提出的网络利用局部稀疏结构替换了原网络中的参数密集层,大幅减少了网络的参数量。实验证明了提出的结构优化网络能在使用原网络不到一半参数量的情况下仍然保持和原网络同样的性能,从而提升了故障诊断效率和适应性。(2)为了提升高噪声下的轴承故障诊断性能,考虑到轴承振动信号是一种时间相关信号,而循环神经网络具有捕获时间相关序列内在特征的能力,同时注意力机制能自适应地重组并筛选特征,因此综合提出一种端到端的自适应抗噪神经网络框架AAnNet。其中卷积神经网络用于从振动信号中初步提取相关特征,门控循环神经网络用于进一步加工相关特征实现复杂场景下的轴承故障和其严重程度的诊断。为了进一步增强网络应对噪声的能力,提出了一种基于随机采样策略的信号输入方法,并且改进了卷积网络中的激活函数,从而提升网络在复杂场景下的轴承故障诊断能力。两个数据集上的实验证明了提出的网络框架能够在高噪声等复杂场景下实现目前领先的轴承故障诊断准确度。(3)为了提升不同工况下的轴承故障诊断性能,考虑到标注所有工况下的数据是非常耗时且昂贵的过程,因此提出一种端到端的多重对抗跨领域轴承故障诊断算法MACDNet用于利用源工况下有标签的数据和目标工况下无标签的数据,实现跨工况轴承故障诊断知识的迁移,从而提升目标工况的轴承故障诊断性能。提出的方法使用了多重对抗的训练过程能自动从不同领域数据中提取领域不变特征而不需要手动设计特征和度量函数。其中领域对抗训练用于缩小不同分布数据之间的领域差异,最小最大熵用于在特征空间中聚集来自不同领域同一类别的数据,从而缓解分类错误对齐问题并提升最终轴承故障分类准确度。此外,还利用虚拟对抗的方法提升局部平滑性,并且利用自适应层改进网络结构进一步提升网络的跨领域轴承故障诊断性能。可变负载轴承故障诊断实验和跨设备轴承故障诊断实验证明了提出算法的有效性。(4)为了探究神经网络实现轴承故障诊断的过程,本文利用网络可视化方法展示了提出神经网络的工作原理。其中可视化了提出的AAnNet各部分的工作原理以及轴承振动信号在神经网络中的处理过程。通过网络可视化发现:框架中特征提取层具有特征筛选及降低噪声干扰的作用;注意力机制能够针对不同故障类型和严重程度的输入自动选择和组合特征;提出的框架是按照从整体到局部的方式进行故障的分类,即先将类似特征聚集在一起,然后再将其逐渐分离开。通过可视化MACDNet可以直观看出提出的方法能够有效缓解分类错误对齐问题,从而提升跨领域轴承故障诊断性能。通过网络可视化能更直观理解神经网络的工作方式,提升神经网络可解释性,并且可以对网络结构设计以及参数选择提供帮助。