机电装备朝着大型化、高速化、精密化、系统化和自动化的方向发展。建立可靠的健康检测系统,是保证机电装备平稳运行的关键。随着设备检测点的数量与采样频率的增加,机械健康监测进入了“大数据”时代。基于信号处理的特征提取+分类器的传统智能诊断算法,对专家经验要求高,设计耗时且不能保证通用性,已经不能满足机械大数据的要求。本文针对该问题,以机械中最重要的零件轴承为研究对象,提出了一套基于卷积神经网络智能诊断算法,该算法可以自动完成特征提取以及故障识别。本文首先提出了具有两个卷积层的卷积神经网络,对时域振动信号进行诊断。利用数据集增强技术,模型在CWRU轴承数据库上的识别率达到了99%以上。该模型是第一个直接作用在时域振动信号上,对轴承进行故障诊断的卷积神经网络。通过进一步分析振动信号的特点,提出了用于轴承故障诊断的卷积神经网络框架WDCNN模型。该模型具有第一层大卷积核以及多层小卷积核的鲜明特征。利用批量归一化算法,模型的训练速度很快。给出了WDCNN模型的设计准则,降低了故障诊断算法的设计难度。WDCNN在CWRU数据库上的识别率可以达到100%。针对噪声以及变负载情况下,轴承故障诊断系统识别率会降低的问题。本文首次将这两类问题共同归结为机器学习中的领域自适应问题,并引入了自适应批量归一化算法,对WDCNN模型进行改进。该算法大幅提高了WDCNN模型的抗噪性以及变负载自适应性。针对神经网络难以分析的难题,利用数据可视化技术,展示了WDCNN模型诊断轴承故障信号的过程。针对自适应批量归一化算法需要测试集的统计信息的不足,提出了TICNN模型。TICNN模型利用卷积核Dropout与极小批量训练,为卷积神经网络引入训练干扰,增强了模型的泛化性能。为了进一步提高网络性能,使用集成学习来提高模型的识别率与稳定性。TICNN模型不需要任何测试集的信息,无需任何降噪预处理,取得了很高抗噪与变负载自适应性能。