轴承是生产系统中一个不可或缺的组成部件,及时的轴承故障诊断能将经济损失最小化,因为早期发现了新出现的问题可以节省宝贵的时间和成本,因此其及时故障的分类与定位在工业生产中有着重要意义。在制造生产业中,故障诊断的地位不可忽视。近几年来,随着科学技术水平的不断发展与提高,智能制造中以数据为驱动的故障诊断成为热门话题。然而,传统的数据驱动方法大多是基于特征提取的故障诊断方法,而特征提取过程是一个困难的过程工作并且依赖于专家经验,此外提取出来的特征也极大地影响最终的结果。因此深度学习(DL)提供了一种有效的方法来自动提取原始数据的特征,不再依赖于专家经验,而卷积神经网络(CNN)就是一种有效的DL方法,本文将CNN应用到了轴承的故障分类及定位中:1、轴承信号分类:轴承振动信号是一维时间序列信号,我们采用了一种转换手段,将一维时序信号,转化成了二维矩阵,之后我们采用卷积神经网络(Convolutional Neural Network,CNN)对图像进行分类,此外我们将Global average pooling(GAP)层代替了传统的全连接层。这就将信号分析的问题转化为了图像处理的问题,通过对图像的分类,间接地对原振动信号进行的分类。我们使用凯斯西储大学的轴承振动数据集来验证我们的实验方案,实验结果表明,该方案能对轴承故障信号进行高效且精确的分类。2、轴承故障定位:本文在故障分类的基础上,加入了特征可视化的算法即梯度加权的类激活映射(Grad-CAM),该方法可以找到图像中特征区域,并突出显示图像中的重要区域,也就是卷积神经网络作为分类依据的区域,然后我们将这些点映射回原序列信号中,就可以找到原序列信号中的特殊序列点,最后我们借助这些点进行故障定位。同样我们将凯斯西楚大学的轴承振动数据集来验证我们的实验方案,实验结果表明,本文提出的轴承故障定位方法能对轴承故障位置进行粗略的定位。