现代化社会中,机械设备朝着越来越大型,越来越复杂,越来越精密,越来越智能发展。但是,随着其复杂程度的不断提升,出现的故障种类也越来越多,传统维护方法所用的时间长,成本高,严重影响了生产效率,需要使用机器学习的方法进行自动的故障诊断。近年来,机械故障诊断技术被广泛应用于电池电路,电子设备,变速箱齿轮箱,风力发电机,铁路道岔等方面。而随着采样点数、采样频率、和连续采样时间的不断增加,监测系统的数据量大大提升,使得故障特征越来越复杂,机械零件之间的联系也大大增加,特征提取的难度大大增加。而端对端的一维卷积神经网络不需要人工进行特定的特征提取,在这一方面明显优于特征提取加特征分类的传统机器学习方法。本课题设计了一种可以直接作用在时域信号上的故障诊断1DCNN(1Dimension Convolutional Neural Networks)网络结构。基于1DCNN设计了一种紧凑型的网络结构,采用大而浅的网络设计自动提取特征,然后使用全连接神经网络和softmax激活函数进行多分类,采用交叉熵损失函数,采用Adam优化学习率和下降方向。网络采用端对端的设计,不需要人工进行特定的特征提取;采用紧凑型结构,所以具有很快的预测速度,在I7 9750H CPU的预测中,每次预测可以在5s以内完成,具有很高的实时性;同时由于网络参数较少,相比深度网络,对数据的需求量较小。最终在CWRU(Case Western Reserve University)滚动轴承数据集上达到了99%以上的识别率。由于CWRU是实验室下测得的数据,其噪声含量较小,特征十分鲜明,很容易就可以达到很高的准确率。而在实际的生产环境下,可能会有较大的噪声,因此本课题在CWRU数据集的基础上加入了高斯分布的噪声,并针对提高模型的抗噪性能进行了探究,在卷积核大小,batch size,正则化等方面进行了优化,提高了模型的抗噪性能。最终,在信噪比-8d B的情况下准确率可达98.31%,信噪比-10d B的情况下准确率也有87.27%,显著提高了模型的抗噪性能。为了对机械设备健康状况进行实时检测,本课题设计了一套故障诊断上位机软件平台。实现了WIFI接收数据,节点切换,波形显示,数据本地存储,实时诊断等功能。开启实时诊断后,上位机将每10s自动存储从WIFI接收到的振动数据,并针对该数据进行诊断,显示出机械运转状况和故障概率分布。