轴承是工业生产中重要的部件之一。但是由于轴承通常在高温、高压、高转速、强冲击力的环境下运行,导致轴承故障频发。轴承的意外故障可能导致整个机械系统的瘫痪甚至工作人员的伤亡。因此,提前发现轴承故障征兆并对轴承故障程度准确判断对确保工业生产安全顺利运行具有重要意义。为了提高生产效率,降低生产事故本文提出一种由改进的感知器、动态路由算法和随机优化算法集成的多级神经网络滚动轴承故障诊断模型。首先,通过随机截取故障轴承振动信号样本的方式对原始轴承振动信号数据库扩充,并根据轴承受损位置,受损点直径和加速度传感器采样位置对随机截取的振动信号样本进行轴承故障分类,继而对每个故障轴承振动信号样本打上对应的故障类别标签。并通过在多层感知器网络中嵌入dropout算法构建轴承故障特征提取网络模块,继而对由轴承故障特征模块提取的标量故障特征序列重新排列为向量形式的故障特征作为初级胶囊的输入向量。再通过线性变换将初级胶囊输入向量变换为高级胶囊的输入向量进行轴承故障类别预测。进而利用动态一致性路由算法通过多次迭代用于衡量高级胶囊的输入向量与故障标签向量的一致性耦合系数去决定轴承故障特征向量的最佳传输路径。再根据最佳耦合系数确定轴承故障特征的传输路径,预测轴承的故障类别。预测向量即为高级胶囊的输出向量。进而由目标函数通过对比故障标签与故障诊断网络的预测结果的一致性得出网络预测损失,并由反向传播算法计算出每层权值误差,进而由Adam参数优化算法更新轴承故障诊断网络中的权值参数,并采用自适应学习速率算法筛选出最优学习速率,使得故障诊断模型的故障类型预测向量迅速接近轴承实际故障类别的标签向量。最后,根据故障轴承的受损位置、受损直径、与加速度传感器的采样位置将凯斯西储故障轴承基准数据分为A、B、C、D、E五种不同轴承故障类别标签的数据库。继而将本文所提神经网络故障诊断模型在每个数据库上进行MATLAB数值仿真实验,仿真实验平均精度分别为99.57%、98.84%、98.45%、99.31%、99.39%,而经典算法ADCNN的仿真精度只有98.10%,结果表明本文故障诊断模型能实现高精度轴承故障诊断与分类。本文的工作主要从提出轴承故障诊断网络模型以及通过不同类型的轴承故障振动信号验证网络模型的有效性两方面进行,为轴承故障精确分类研究提供了新的网络模型思路与验证方法。