旋转机械在航天航海,交通运输,制造业等领域起着重要作用,滚动轴承是旋转机械中重要的、广泛应用的部件之一。轴承的运行状态往往决定了旋转机械工作的稳定性,异物进入、装配不适、润滑不足、过载等问题都会导致轴承提前失效,可能对旋转机械造成严重影响。针对滚动轴承进行监测故障诊断可以保障旋转机械运转状态良好,避免发生严重事故。因此,滚动轴承故障诊断已成为国内外的研讨热点问题,对现代工业的发展具备重要意义。传统的故障诊断方法主要为信号分析方法,但随着旋转机械的发展,信号组成成分逐渐复杂,依赖于人工提取特征的方法已不再适用。基于智能算法方法的故障诊断技术得益于大数据技术的发展,在许多方面已超越了信号分析方法,节约了许多资源,在识别率和稳定性方面均优于信号分析方法。因此,本文提出一种基于小波时频分析和可变形卷积神经网络的智能算法方法,运用到滚动轴承故障诊断中,平均准确率达到99.9%,获得了较好的成绩。首先,文章阐述了滚动轴承失效原因和故障类别,对于滚动轴承运转过程中引起的谐波分量进行了说明,分析了谐波分量对冲击分量的影响。根据谐波分量和冲击分量在频率上的区别,使用基于傅里叶字典的OMP算法去除掉谐波分量,减少了对冲击分量的干扰。其次,对于去除掉谐波分量的滚动轴承故障振动信号,采用了时频分析的思想进行信号处理,丰富了信号中蕴含的故障特征信息。对短时傅里叶变换和小波变换进行对比,决定采用小波变换;母小波的选择分别使用Meyer小波和Morlet小波进行对比实验,选择了Morlet小波作为母小波函数。从西储大学公开的滚动轴承实验数据中选取了6类故障信号,对这6类信号的数据进行时频分析,对比了谐波去除对时频分析结果的影响。最后,本文建立了11层的卷积神经网络模型,引入可变形卷积机制,强化了模型提取深层特征的能力。以基于智能算法方法的数据集作为输入,对比了可变形卷积神经网络和传统卷积神经网络在同一数据集下的表现。为了说明本文方法的优越性,在先前选取的7类信号的基础上,提取时域的16种特征,设置基于信号分析方法的数据集,建立了SVM、BP神经网络和随机森林三组模型对数据集进行训练。通过对比实验,证明了本文方法在识别率和稳定性方面的优越。