在现代机械设备中,滚动轴承是最常用的基础部件之一,其运行状态是设备可靠性和平稳运转的关键。对滚动轴承进行状态监测以及故障诊断可以有效避免安全隐患的发生,也可以有效地制定维护策略。目前,滚动轴承的故障诊断进入“大数据”时代,各种智能诊断方法在开源数据库的数据驱动下得到了有效验证。然而在实际的工程应用中,实际故障数据难以获得,导致故障标签缺乏对应的故障数据,可以说实际中故障诊断面临“小样本”问题。为解决这一难题,提出实验数据与仿真数据共同驱动滚动轴承的故障诊断,即用实测的实验信号和由滚动轴承动力学模型得到的仿真信号,并基于卷积神经网络的智能故障诊断方法,对滚动轴承的故障严重性进行评估。以深沟球轴承为研究对象,基于Hertz弹性接触理论,通过研究滚动轴承外圈滚道表面的故障形貌及其相应的几何关系建立故障模型,并建立一个四自由度的振动模型用于故障轴承模型中。通过分析滚动轴承中滚动体与内、外圈滚道表面的接触力和阻尼力并列出动力学微分方程,得到外圈局部缺陷的滚动轴承动力学模型。经过微分数值求解,得到不同故障尺寸的滚动轴承的振动响应仿真信号。得到的仿真信号经过时域、频域、时频域三方面的特征对比,与实验信号相比有着非常高的相似性。基于时频分析和深度学习原理,提出SPWVD-CNN智能故障诊断方法。首先获得轴承信号的SPWVD时频图,将其作为CNN的输入。在设定故障标签后,通过卷积神经网络对各个故障程度的时频图进行识别,从而完成滚动轴承的故障严重性评估。利用仿真数据为滚动轴承的故障诊断提供有效且多样的故障样本,作为故障数据集的有效补充。基于SPWVD-CNN方法,分别在训练集为仿真数据、测试集为实验数据的数据集做故障严重性的交叉评估,以及将实验数据和仿真数据在训练集整体和部分混合的数据集做故障严重性的混合评估。交叉评估和混合评估的结果证实了实验与仿真数据驱动解决故障诊断中“小样本”问题的有效性,为实际工程应用中的故障诊断提供了全新并有效的解决思路。