自动倾斜器是直升机传动系统的重要组成部分,滚动轴承作为自动倾斜器中的核心部件,若发生故障必然给直升机的飞行带来安全隐患。因此,研究滚动轴承故障诊断方法对保证直升机的安全飞行有着重要的实际意义。自动倾斜器滚动轴承具有滚珠多、尺寸大和转速低的特点,传统轴承故障诊断方法过程复杂,且识别率不高,深度学习作为一种人工智能技术,在处理大数据任务中有着独特的优势,已在许多领域取得了不错的效果。本文利用卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN),开展了滚动轴承故障诊断方法研究。主要工作内容和研究成果如下:(1)介绍了相关理论基础。首先,自动倾斜器滚动轴承采集的振动信号具有非线性、非平稳的特性,介绍了小波变换的时频分析方法;其次,介绍了CNN的基本结构和分类原理;最后,介绍了DCAE的结构和去噪原理。(2)针对直升机自动倾斜器滚动轴承具有滚珠多、尺寸大和转速低的特点,且工作环境复杂、噪声干扰大的问题,提出了基于DCAE的深度学习图像去噪方法。首先,构造不同噪声环境下的小波时频图;其次,设计了用于图像去噪的DCAE网络模型,通过实验确定网络层数、底层卷积核数量、学习率和损失函数等参数。实验结果表明,不论时频图含噪声大或者是小,DCAE都有较好的去噪效果。(3)提出了基于DCAE-CNN的自动倾斜器滚动轴承的故障诊断方法。首先,利用不同噪声环境下的时频图训练DCAE,减小噪声对时频图的干扰;其次,通过实验确定最佳CNN的网络结构与参数,最后,利用CNN将去噪后的时频图进行故障分类。利用课题组自动倾斜器滚动轴承数据集和凯斯西储大学公开轴承数据集开展真实诊断实验,结果表明,本文方法在不同的噪声环境下都有着较好的诊断效果,尤其在高噪声环境下,与其它深度学习方法对比,有着更高的诊断正确率。