轴承作为各类旋转机械中最重要的组成零件之一,其功能无可替代,在工业生产中,由于轴承故障导致的重大事故及设备停机事件不胜枚举,对轴承进行更早、更精准、更实时的故障诊断始终是设备平稳运行的关键。随着智能化及大数据时代的到来及更多样、更实时、更高精度的监测设备的出现,这些都象征着轴承实时智能故障诊断已经进入大数据时代。因此,传统的特征提取结合分类算法的诊断方式的适应性已无法获得保证,同时也无法满足大数据时代的需求。本文针对如何提高轴承故障诊断的诊断精度和成功率进行研究,在研究中发现传统轴承故障诊断方法主要有以下三个问题:(1)、处理过程信号信息丢失问题:通常进行特征提取时,特征值是根据特定的问题保留了重要的信息用于诊断,会删减一些无用和不敏感的信息来提高分类精度,但在某种意义上讲,这是对信号蕴含信息的一种约减,导致在处理其他问题或数据混杂时,由于信号中的其他信息缺少,导致诊断性能的下降。(2)、训练样本数量偏少问题:部分工程项目初期,由于工作条件的限制,部分工程前期数据的获取较为困难,在大数据时代中这意味着将没有足够的训练数据来用于训练诊断模型,从而导致无法得到理想的诊断效果。(3)、噪声干扰问题:在实际生产中,绝大部分的工作设备是由多部件协同运作进行的,所以由被测件在运行中所产生的振动信号常常面临着其它零件所产生的振动干扰,这些产生的噪声振动会造成被测零件产生的信号失真,可能对信号中需要被识别部分造成掩盖、隐藏甚至篡改,造成诊断准确率的降低。针对以上问题,本文在如何避免或减少在信号处理过程中由信号丢失信息、减少所需训练样本数量、降低环境噪声干扰等方面进行改进研究。在研究中本文首先提出了一种改进的Welch功率谱转换方法,该方法将轴承产生的杂乱的时域数据变为有序的功率谱数据,使该数据可以直接的用于智能分类器中,同时在处理中也减少了环境噪声对诊断过程的干扰。接下来,通过适合的智能分类器—径向基函数神经网络(Radial Basis Function,RBFNN)及卷积神经网络(Convolutional Neural Networks,CNN),对其进行结构调整,优化分类器性能使其适用于转换后的Welch功率谱信号数据的分类识别,在整个识别的过程中,去除了传统故障诊断方法中的特征提取的过程,形成了两种轴承故障诊断模型(W-RBFNN、W-CNN)。所提模型在凯斯西储大学(Case Western Reserve University,CWRU)轴承数据库中的轴承数据为基础进行研究,分别对两个模型进行混合负载试验,不同数量训练样本诊断试验及抗噪诊断试验,同时与近年来的一些优秀的轴承故障诊断模型进行比较来试验证明本文提出的两种轴承故障诊断模型(W-RBFNN、W-CNN)的诊断性能,在混合负载数据的诊断中两种诊断模型的诊断准确率全部都达到了100%,在每种轴承状态只有一个训练样本的情况下,W-RBFNN的平均诊断准确率达到了95.89%、W-CNN的平均诊断准确率达到了99.76%,同时在抗噪诊断的识别率也优于近年提出的一些诊断模型。