由于恶劣的工作环境和高负载,异步电动机发生机电故障是一种常见现象,而滚动轴承又是异步电动机发生故障的高危部件。滚动轴承故障发生在电机故障的初期,如果可以及时准确地判断出电动机内部轴承的异常状态,就可能防止事故的进一步恶化。通过对电流信号分析可以避免对电机增加传感器,受环境影响微弱。因此,本文研究的核心内容就是对异步电动机内部轴承的故障电流进行分析和诊断,快速准确地对故障的类型进行分类,以便及时的修护。本文将卷积自编码网络与残差网络相结合,引入到滚动轴承故障诊断理论之中,对异步电动机内部轴承故障进行分类研究。首先,从异步电动机滚动轴承的结构原理出发,建立故障轴承的数学模型,推导出电流与故障之间的相关性,并通过实验以三相电流、母线电流与故障之间的变化予以佐证。其次,介绍了卷积神经网络传播过程的数学原理,在此基础上,采用了卷积自编码网络模型结构,加强数据特征提取,又引进了残差块和跳跃连接线,防止在卷积和池化过程中的特征丢失,加深了网络层数,在减少计算量的同时,提高了算法的准确率,接着使用Softmax分类模型对故障特征分类。最后,将采集到的实验信号经过数据处理后输入到残差卷积自编码网络中进行轴承故障分类诊断。通过搭建异步电动机的信息采集平台,通过对负载的转矩的调节来获得电机在不同工况下的数据,依据不同状态下的不同负载工况的数据建立异步电动机轴承故障诊断的数据集,通过搭建的残差卷积自编码网络进行训练。另外,为改善模型的训练过程,防止模型出现过拟合等问题,使用BN,Adam优化和Dropout的正则策略,对模型进行优化,基于准确率和损失函数的指标,对模型进行对比实验,验证算法的诊断性能。