滚动轴承保证了旋转轴正常稳定的工作状态,滚动轴承故障的深入研究会进一步促进旋转机械故障诊断研究的发展。随着工业大数据的发展,企业选择多传感器获取机组多维度的信息进行监控。对于传统的故障诊断方法,一般手工选择信号的故障特征或者是采用一般的信号分析方法。相对于采用卷积神经网络和循环神经网络自适应提取信号特征,手工选择特征随机性大,而且泛化性不足。利用全矢谱对于数据集进行特征增强,分别构建一维卷积神经网络(1D-CNN)提取信号分类信息和长短时记忆神经网络(LSTM)提取信号时序信息,构建集成神经网络,提出全矢卷积循环神经网络(FV-CRNN)滚动轴承故障诊断方法。主要研究工作如下:(1)介绍卷积神经网络和循环神经网络的理论知识及推导过程,以及全矢谱理论的机理和数值推导。针对真实故障信号进行实验,验证了全矢谱理论相对于单通道信号分析方法的有效性。(2)提出基于一维卷积循环神经网络的滚动轴承故障诊断方法,并试验验证了方法的有效性。首先使用全矢谱技术对于同源双通道故障信号进行特征融合得到全矢谱主振矢数据集,其次对数据集进行人工标注并按照训练集和测试集8:2的比例进行数据划分。分别构建一维卷积神经网络(1D-CNN)和循环神经网络中的长短时记忆神经网络(LSTM),通过去噪编码添加数据集噪声,使用交叉熵作为损失函数,Adam优化器微调后得到全矢卷积循环神经网络(FV-CRNN)模型。试验结果表明全矢CRNN在测试集上的准确性和泛化性都要高于单通道CRNN。同时通过T-SNE特征降维,可视化主成分,直观地验证了该模型在故障分类任务上的优势。(3)手工选择CEEMD能量熵特征,结合Softmax多分类器进行轴承故障分类。将单通道CRNN和全矢CRNN提取的隐层特征分别输入Softmax多分类器,与CEEMD能量熵特征分类结果进行对比。实验结果表明,全矢CRNN自适应提取的特征相对于手动选择特征对故障分类更加有效。