滚动轴承智能故障诊断技术是旋转机械状态监测领域的研究热点,其中,特征提取是数据驱动背景下滚动轴承智能故障诊断方法中的关键技术。传统的基于时频域提取的故障特征具有很强的主观性,工作内容繁杂且获取的特征有时不能很好地表征信号本身所蕴含的故障特征信息,区分度较低。针对于此,将信号稀疏表示理论应用于故障诊断领域,研究了基于双稀疏和结合深度信念网络的滚动轴承故障诊断方法。本文的研究成果如下:(1)针对传统的智能故障诊断方法中,特征提取时采用时频域的特征参数有时无法全面地描述信号故障类别本身的特点,提出了一种基于双稀疏字典学习算法稀疏表示的滚动轴承特征提取方法。首先根据双稀疏字典学习算法分别训练子字典,然后为了降低特征维度,根据所选用的稀疏分解算法,剔除各类故障信号训练获得的双稀疏子字典中的冗余原子,然后将剩下的原子按顺序排列,获得最终的双稀疏综合字典用以提取故障特征。仿真实验结果表明,该方法在所获得的滚动轴承稀疏表示特征信号不仅降低了原始信号的特征维度,而且稀疏表示信号的数据点是稀疏的,每一类故障的特征信号稀疏点分布位置明显有别于其他信号。(2)传统的滚动轴承智能故障诊断方法中,采用时频域特征进行故障诊断时,特征提取方法的选择取决于研究者的主观判断,所提取特征的性能好坏严重依赖于相关从业者的知识经验水平,某些模型所提取的故障特征有时候并不清晰,区分度较低,导致模式识别过程中容易出现误判。针对于此,提出了一种基于双稀疏和深度信念网络(DBN)的滚动轴承故障诊断方法。首先采用双稀疏综合字典对每一类故障信号稀疏分解并建立对应故障标签,然后构建DBN,通过使用稀疏表示特征信号训练获得最终的故障诊断模型,最后测试整个模型的分类精度。仿真实验的结果表明,该方法在识别滚动轴承的故障类型时具有速度快、准确率高且稳定的优点。(3)传统的智能故障诊断方法中,常用的智能故障诊断方法包括基于时频域特征结合支持向量机(SVM)的方法、直接使用原始信号结合深度神经网络(如多隐层BPNN)与浅层神经网络(如单隐层BPNN)的故障诊断方法。通过仿真实验对比分析本文所提方法与常用的智能故障诊断方法的滚动轴承故障诊断效果,进一步证实了所提方法的可行性,并分析了不同方法所取得最后结果的深层次原因。最后通过对比直接使用原始信号结合DBN与本文所提方法的故障诊断效果,总结了双稀疏综合字典在故障诊断中的作用。