现如今工业机械设备朝着精密化、自动化、大型化和系统化的方向发展,滚动轴承的微小故障就可能对大型精密机械设备造成重大损害。机械零部件故障的诊断与预测一直都是保障工业机械设备稳定运行的基本条件。滚动轴承作为机械设备中不容忽视的存在,其稳定运转更是保障机械设备安全运作的前提。鉴于滚动轴承在工业设备中的重要地位,轴承故障诊断算法应运而生。而传统轴承故障诊断算法对专家知识要求高,设计的诊断模型结构复杂,并且仅针对单一设备,泛用性较差,这类诊断模型逐渐不能满足现阶段工业机械设备发展的高质量、稳定性需求。针对该问题,本文研究了轴承的常见故障类型并采集了相关故障数据,基于对故障原始数据的分析提出一种基于3D卷积神经网络的故障诊断模型,并对机器学习训练的模型参数进行优化。首先,通过轴承故障实验平台采集故障原始数据并建立故障数据集。根据采用的轴承故障实验平台所配备的传感器获取故障数据,安装数据采集软件采集故障数据并打上故障标签,建立数据集。所建立的故障数据集为后续故障诊断模型提供数据支持。其次,通过研究卷积神经网络算法,本文提出一种基于一维和二维卷积神经网络的故障诊断模型。经过实验验证卷积神经网络在故障诊断方面具有可行性,但是基于一维和二维的卷积神经网络在诊断多维故障数据时效果不佳。然后,本文提出一种基于三维卷积神经网络的轴承故障诊断模型,目的是对多维轴承故障数据进行预测和诊断。在对轴承相关传感器采集的故障数据进行分析之后,本文提出了基于Keras框架下的3D卷积神经网络故障诊断算法。建立的故障诊断模型具有两个卷积层和Softmax分类器的卷积神经网络,可以针对三维数据进行特征提取并加以诊断分析。该模型以三维加速度传感器采集到的加速度数据作为诊断模型的输入,由卷积层完成特征提取,并计算出不同故障特征,通过Softmax分类器诊断故障类型并分类输出。该故障诊断模型的诊断准确率能达到99.16%。最后,针对机器学习的故障诊断模型在训练参数设定上的合理性问题,本文提出了一种基于差分进化的卷积神经网络参数优化算法。将故障诊断模型的损失函数作为优化算法的目标函数,优化模型主要针对3D卷积神经网络中卷积核个数、卷积核大小、步长等训练参数进行优化,并得出最佳的参数设定值。实验验证说明优化得到的故障诊断模型具有更高的诊断精度。