滚动轴承作为旋转机械中的基础部件之一,常常用于支持旋转部分,作用是降低设备在传动过程中的摩擦系数,同时滚动轴承也是高频的故障元件,滚动轴承质量的健康程度对机械设备的可靠运行的影响很大。滚动轴承作为旋转机械设备广泛应用于工业生产中,同时也是机械设备中较为薄弱的部件,因此,对滚动轴承进行故障诊断具有重要的意义。针对故障诊断的问题,本文以滚动轴承为研究对象,主要是从滚动轴承的故障特征提取和故障诊断这两个方面进行深入的研究与分析,主要内容分为以下几个部分:首先,介绍滚动轴承的基本物理结构,从振动机理出发分析滚动轴承的主要失效形式,并对滚动轴承的固有频率以及故障特征频率进行了理论推导。其次,考虑到滚动轴承的原始振动信号具有非平稳性、非线性等特点,应用传统的信号处理方法进行分析时存在局限性,因此采用时频分析方法进行信号处理,提出了基于自适应白噪声的完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）结合模糊熵（Fuzzy Entropy,FE）的混合特征提取方法,该方法在对滚动轴承的原始振动信号分别提取时域特征指标、频域特征指标的基础上,对原始信号进行CEEMDAN处理,有效地抑制了模态混叠问题;再利用分解得到的固有模态函数（Intrinsic Mode Function,IMF）分量来计算模糊熵值,作为时频域特征;然后将各个特征参数组合为混合特征向量集,该特征向量集能够准确地反映轴承在不同状态下的特征。最后,针对滚动轴承故障诊断问题,采用本文提出的混合特征提取方法,结合广义回归神经网络（Generalized Regression Neural Network,GRNN）,并通过灰狼优化算法（Grey Wolf Optimizer,GWO）对广义回归神经网络的平滑因子参数进行优化,在此基础上,构建出滚动轴承故障诊断模型。采用美国西储大学数据中心数据进行实验分析,实验结果表明优化后的广义回归神经网络诊断模型比优化前的准确率高,证明本文方法的有效性和可行性。