当前,印刷行业兼具加工制造和文化输出两种属性,是国民生产总值的重要组成部分。在“十三五”规划中,印刷行业将向“绿色化、智能化、数字化”方向持续发展,可靠稳定的印刷设备是实现印刷行业发展的重要基础。滚动轴承是印刷机中的关键基础件,对印刷机性能的保障至关重要,为实现印刷机的长期稳定运行,很多学者提出了关于印刷机轴承部件的故障诊断技术,旨在预防印刷机械故障所带来的经济损失本文以胶印机着墨辊中的滚动轴承为研究对象,对轴承振动信号的特征进行无监督学习,通过搭建的神经网络结构实现对故障类型的识别,论文的主要工作内容如下:(1)对稀疏自编码器、堆栈式自编码器的理论原理和算法过程进行了研究,将其应用于西安交通大学——昇阳数据库以及西储大学轴承数据库数据。通过实验分析了两种自编码器对原始振动信号的特征提取能力,并计算了两种方法对数据故障类型的分类准确率,证明了深度的网络较浅层的网络能挖掘更深层次的特征。(2)提出了基于自编码器和最大相关熵准则结合的故障特征识别方法,实现了对原始信号的故障分类识别,且正确率可保持在98%左右。轴承振动信号在未被做任何处理的情况下输入搭建好的网络结构中,通过网络自身函数及结构进行无监督的学习并提取数据的特征,实现对不同类型数据的分类。通过实验分析了隐含及输入层节点数、学习率等参数对网络特征提取能力的影响。(3)将所提出的方法运用于印刷机轴承的故障类型识别中。通过实验对所提出的方法进行验证,证明所提出方法的有效性,并获取了最优的故障分类网络模型。为信号加入高斯白噪声以分析网络的范化能力,结果表明所提出的网络能适用于具有噪声干扰情况下的印刷机故障轴承识别任务。相关研究为印刷机故障诊断的智能化信息获取与识别技术提供了重要参考,具有一定的工程应用价值。