机器学习自从被提出以来,特征值的选取一直是研究的重点,特征值选取的合适与否将直接决定着最终模型的性能;所以如何从数据中提取出更合适的特征值就成了机器学习的关键。深度学习可以通过自我学习来学习出隐藏在数据中的信息,得到做分类时所需要的特征值;然后用深度学习所学习到的特征值来做故障诊断,结果会明显改善。本文从故障诊断的角度出发,首先介绍故障诊断的研究现状以及现有的方法,然后介绍深度学习的概念,并开展基于栈式稀疏自编码、局部循环栈式自编码和循环卷积神经网络的滚动轴承故障诊断方法研究。具体研究内容如下:(1)提出一种基于栈式稀疏自编码的滚动轴承故障诊断方法。首先一个旋转周期作为一个样本,用于构建训练集和测试集;然后,采用栈式自编码模型,并结合softmax分类器,用训练集去训练网络参数;最后利用测试集来验证该方法的性能。(2)提出一种基于局部循环映射栈式自编码的滚动轴承故障诊断方法。首先针对周期信号,构建一种用于故障诊断的局部循环映射自编码网络结构;然后利用节点之间的相关性,减少每个节点与相连层之间的连接率;最后利用测试集来验证所建故障诊断方法的性能。(3)提出一种基于循环卷积神经网络的滚动轴承故障诊断方法。首先提出基于卷积神经网络的滚动轴承故障诊断方法;然后提出基于循环卷积神经网络的滚动轴承故障诊断方法;最后利用测试集来验证所建故障诊断方法的性能。