故障诊断技术的发展与技术的创新息息相关,随着工业生产环境的日渐复杂,对故障诊断技术的要求也逐渐增多。电机轴承能否正常运行对社会生产生活及个人安全具有重要意义。本文以电机轴承的振动信号作为研究对象,将深度学习的方法应用在故障诊断中,通过实验比较验证所提方法。本文首先阐述电机轴承故障诊断的目的和意义,在查阅与故障诊断相关的近几年国内外文献基础上,总结归纳传统集合型故障诊断技术和深度学习故障诊断技术的国内外研究现状。研究电机轴承故障诊断,首先应该对电机轴承故障形成的原因和振动机理进行分析。本文在深度学习算法的基础上进行研究。在研究两种深度学习模型栈式降噪自编码器(SDAE)和卷积神经网络(CNN)的基础上,针对其不足进行创新改进。栈式降噪自编码器在训练过程中存在参数的局部最优化问题,网络模型参数的优化程度直接影响诊断的性能,针对这个问题在SDAE的基础上结合改进的万有引力搜索算法(IGSA)优化网络的参数,提出基于IGSA-SDAE的故障诊断模型。IGSA解决了 GSA边界优化能力,改进了 GSA在优化过程中收敛速度慢的问题。针对电机轴承数据采集过程中夹杂噪声的情况,为提高整个系统抗噪声能力,提高故障诊断精度,引入变分模态分解(VMD)对整个振动信号进行去噪处理。再将剔除噪声的信号输入卷积神经网络,使用IGSA优化网络参数,提出基于VMD-IGSA-CNN的电机轴承故障诊断的新方法。本文分别在实验中使用凯斯西储大学轴承试验中心的数据验证IGSA-SDAE和VMD-IGSA-CNN两种方法。在实验过程中对网络结构进行比较选择。实验过程中记录训练精度和损失函数曲线,并得出最后的测试精度。这些结果是用来评价故障诊断模型优劣的标准。最后将仿真结果与BP、SVM、传统集合型故障诊断和未改进的深度学习模型进行比较。通过理论实验结合证明所提算法诊断精确度更高。针对实验设计了电机轴承故障诊断平台。