作为“工业的关节”,轴承被广泛应用于各类旋转机械设备中。轴承的正常运转是设备安全运行的保障。研究实用、可靠的轴承故障诊断方法是保证轴承正常运转的关键。传统的轴承故障诊断方法多依赖于信号处理手段和先验专家知识,无法满足“大数据”时代复杂环境下多个轴承远程智能诊断的需求。鉴此,本文主要开展了如下工作:(1)针对传统轴承诊断模型抗噪能力差的问题,提出了一种去噪卷积自动编码机(DCAE)和卷积神经网络(CNN)相结合的噪声背景下轴承故障诊断方法。通过将含噪信号输入DCAE完成去噪,然后使用CNN实现轴承故障的识别与分类。DCAE和CNN均可直接作用于一维时域信号,而无需进行任何形式的信号处理。实验结果表明,在7种不同噪声强度的环境下,DCAE-CNN均取得了较之传统方法更好的效果。(2)针对变工况下传统轴承诊断模型识别效果差的问题,提出了一种基于域适应的变工况下轴承故障诊断方法。通过计算两种不同工况下数据样本的多层最大均值差异(MMD),引入领域适配项,并将其加入到模型训练的优化目标函数中,以实现变工况下模型的自适应诊断。实验结果表明,在6个不同的诊断任务中,域适应方法均不同程度地提高了模型的识别准确率。(3)针对跨域诊断(人为损伤-真实损伤)时传统轴承诊断模型泛化能力弱的问题,提出了一种基于迁移学习的轴承跨域故障诊断方法。通过预训练大量的源域样本,利用“冻结”各卷积层参数的方法将其迁移至仅有少量样本的目标域模型中,以实现跨域故障诊断。实验结果表明,迁移学习方法不仅可以提高模型在目标域上的识别准确率,而且可以节省训练样本,大大缩短训练时间。(4)针对本地离线诊断实时性差、诊断效率低的问题,设计并开发了一套基于云平台的轴承远程智能诊断系统。系统基于B/S(浏览器/服务器)结构设计,通过浏览器便可对轴承的运行状态进行远程监测、历史查询、数据下载和智能诊断。测试结果表明,系统稳定可靠,实现了对轴承运行数据的在线采集、远程传输、云端存储和智能诊断,弥补了传统离线诊断的不足,大大提高了诊断效率。