1.一种基于深度学习的滚动轴承故障诊断方法，其特征在于：它的诊断方法如下：
步骤一：卷积神经网络基本结构：
卷积神经网络是一种前馈神经网络，是深度学习领域具有代表性的网络结构之一；其实质是一种层次模型，由若干卷积层、池化层、非线性激活函数层以及全连接层组成；在网络结构中，卷积层、池化层以及非线性激活函数层通常组合在一起，输入数据通过多个这样的层层组合，实现从底层特征逐层抽取高层语义信息；之后经由一个或多个全连接层将各个通道提取的特征整合在一起，并映射到样本标记空间；卷积神经网络中一个重要思想就是“端到端”的学习方式，它将特征提取和分类器训练集成在网络体系结构中；整个学习过程完全不需要人为划分上述两个子问题，完全交给cnn模型直接学习从原始输入到期望输出的映射；
步骤二：基于stft和cnn的故障诊断方法：
通过该变换将一维的时序信号变换成同时包含时域与频域信息的二维矩阵；其用定长的窗口函数将时域信号进行截取，并用傅里叶变换分析截取的时域信号，得到时刻t附近非常小时间段上的局部频谱；在整个时间轴上不断平移窗函数最终得到一个局部频谱集合；
首先，通过stft将原始振动信号变换到时频域，得到样本的故障谱图；然后，将多个传感器的故障谱图拼接作为输入；
振动信号经过stft得到的故障谱图，描述了频率幅值随着时间变化的特性；基于故障谱图使用cnn进行建模，通过训练使其自动提取故障谱图中有用的故障特征并用于分类；需要保证训练过程中输入到诊断模型的单一类别的带标签样本数超过一定数量，采集的所有样本被分成训练样本集和测试样本集；训练集用于通过最小化预测状态和实际状态之间的误差来训练初始cnn模型；
步骤三：基于残差神经网络的故障诊断方法：
利用残差结构的特点，搭建了一个深度学习模型进行故障预测模型；该诊断方法包含两个流程：训练流程和诊断流程；直接利用原始数据，加以处理就可以进行训练和诊断，训练模型搭建好后，在相同场景下加载训练好的权重文件进行诊断；权重文件可以动态更新，即在当前的训练参数上重新进行训练，这样潜在的增加了模型的训练代数；当发现新的故障时，动态的训练模型，使模型日趋完善；模型的预测输出就是滚动轴承的故障类型；模型训练的时候，都是带有标签的数据，标签就是轴承的故障类型；这样，只要训练好模型，就无需依赖于操作人员的经验；另外，该诊断模型的深层网络结构，能够更好地表征轴承振动信号与轴承状态之间的复杂非线性关系；
步骤四：基于深度残差收缩网络的故障诊断方法：
在对样本进行分类的时候，样本中不可避免地会有一些噪声，更广义地讲，样本中包含着与当前分类任务无关的信息，这些信息理解为噪声；软阈值化可以通过公式(1)来实现：
x表示输入特征，y表示输出特征，α表示阈值；在这里，阈值需要是一个正数，并且不能太大；
深度残差收缩网络是在残差模块里多了一个小型的子网络；这个子网络的作用就是自适应地设置阈值；子网络所设置的阈值，其实就是输入特征绝对值的平均值×一个系数α；α是一个0和1之间的数字；
阈值是在深度体系结构中自动学习的，在深度架构中将软阈值作为收缩功能进行集成减少与噪声相关的功能，从而使最终层的高级功能变得更具区分性。