旋转机械是机械设备状态监测与故障诊断工作的重点,而滚动轴承是机械设备常用的部件之一,同时也是易损部件之一。机械设备的故障诊断越来越受到人们的重视,在目前的故障诊断领域,通过实时有效的检测方法采集到足够的信号样本并且客观地分析机械设备运行的状态信息,对判别不同工况下的故障设备状态以及对故障类型实现准确诊断具有重要意义。目前机械设备故障诊断主要有两种思路:一种是对机械设备的振动信号进行时频域分析,这种方法在强噪声和变载荷等复杂因素干扰下往往很难提取故障特征,并且依赖于人工经验;另一种是基于深度学习的故障诊断方法,先对样本信号预处理,再输入神经网络进行训练分类,能够自动完成特征提取以及故障模式识别。随着机械设备制造工艺日益复杂,传统浅层且单一的神经网络已经不能满足故障诊断需求,限制了故障诊断效率的进一步提升。本文对普通浅层卷积神经网络进行改进和优化,主要内容概括如下:首先针对普通卷积神经网络识别精度低的问题,提出了改进的卷积神经网络,对于MaFaulDa轴承数据,通过在两组卷积层中嵌入恒等映射的卷积组,减小了网络模型计算量的同时又增强了网络的特征提取能力,并对Adam优化器进行改进,采用幂指数型的学习率来控制迭代方向和步长,根据上一阶段的学习率以及前一阶段和当前阶段的梯度关系进行自适应调整,对实验结果采用五折交叉验证对比不同方法的分类准确度。对于美国凯斯西楚大学轴承数据库,引入了一种新的数据处理方式,将滚动轴承原始振动时域信号数据转化为二维矩阵,采用可变卷积核的方式进行特征提取和映射,改变了传统网络固定卷积核的模式,实现对滚动轴承振动信号的高精度识别。对普通卷积神经网络进行改进和优化之后能够提高模型的训练准确率和稳定性,但在滚动轴承的检测中,多种故障共存的情况普遍存在。考虑到轴承复合故障以及振动信号的时序性,提出改进ResNet-LSTM的机车轴承复合故障诊断模型。通过对两组卷积层和池化层的原始卷积神经网络进行改进,在两组卷积层内部嵌入四个残差块,每个残差块包含两个卷积层,同时引入长短时记忆网络的门限机制对数据信息进行跟踪和更新,从空间和时间两个维度分别对滚动轴承进行局部和全局特征提取,最后通过Softmax函数得到预测值的概率分布从而实现轴承故障类型多分类。从实验结果可以看出本文提出的改进的卷积神经网络故障诊断方法在不同的实验数据,包括单一故障和机车轴承复合故障都具有良好的诊断效果,具有一定的实际应用价值。