传统的基于数据驱动的轴承故障诊断方法通常需要了解一定的信号处理技术,人工构造算法提取并选择特征,然后利用分类器(常用的有支持向量机以及人工神经网络等)进行分类识别。然而,对于模式不明且多变、多故障信息耦合的机械大数据,人为设计涵盖所有信息的故障特征较为困难;此外,针对某一个特定问题提取和选择的特征可能并不适用于其它的问题。因此,非常有必要由模型自适应地提取特征而不是由人工提取和选择特征。机械故障越发表现为不确定性、并发性和耦合性,而在传统方法中所采用的浅层模型的自学习能力差、特征提取与模型建立孤立地进行,导致其故障识别精度低、泛化能力弱;诊断模型由“浅”入“深”势在必行。针对以上的两个问题,结合近年来卷积神经网络在图像模式识别领域中的广泛与成功应用,本文提出了两种基于卷积神经网络图像分类的轴承多状态识别方法。本文中所采用的两种基于卷积神经网络图像分类的轴承多状态识别方法能够自动地从轴承时频图中提取特征,然后对其进行分类识别;从而避免了传统的基于数据驱动的轴承故障诊断方法中人工构造算法提取并选择特征的问题,降低了对人工的依赖,提高了故障诊断过程的智能化水平。在本文所采用的两种方法中,在模型结构和参数均未做任何调整的情况下在4个数据集上均取得了较高的分类结果,从而表明了模型具有较好的泛化性。本文主要包括以下3个方面的内容:(1)利用EEMD方法对轴承的振动信号进行自适应分解并根据相关系数对得到的本征模态函数分量进行筛选,然后对筛选得到的本征模态函数分量进行PWVD计算得到信号的时频分布图,并对时频图进行预处理。(2)构造了一个具有3个卷积层、1个全连接层的卷积神经网络,利用其对轴承4个不同数据集的各16种状态的时频图进行分类识别,平均分类正确率均达到了94.60%以上。(3)基于迁移学习的方法,利用微调后的AlexNet对轴承4个不同数据集的各16种状态的时频图进行模式识别,平均分类正确率均高于96.30%。