滚动轴承因其摩擦阻力小、互换性好、灵活度高而被广泛应用于机械设备中,其良好运转与否对机械设备运行安全具有十分重要的意义。为了尽可能地避免或减少滚动轴承对机械设备运行故障的影响,针对传统故障诊断方法的不足,本文应用机器学习相关理论对滚动轴承的智能故障诊断方法做了深入研究。具体内容如下:(1)介绍了滚动轴承的典型结构和常见失效形式,研究了滚动轴承的振动机理,从运动学角度推导了滚动轴承的特征频率,并从信号处理角度分析了滚动轴承振动信号常用的时域和频域特征。(2)针对滚动轴承智能故障诊断中传统神经网络容易造成过拟合、局部最优等问题,提出了一种思维进化算法优化BP神经网络的方法。以常用振动信号的时域、频域特征参数作为思维进化算法优化BP神经网络模型的输入,对轴承故障类型及故障程度进行智能故障诊断,对比分析了算法优化前后的结果。(3)针对滚动轴承智能故障诊断中处理故障样本时因样本数据量过大及算法结构单一问题而导致故障多分类精度较低的问题,提出了一种特征降维与随机森林相结合的方法。以常用振动信号的时域、频域特征参数作为特征将维随机森林方法的输入,对轴承故障类型及故障程度进行智能故障诊断,并与SVM、PCA-SVM等方法从准确率和时效性方面进行了对比研究。(4)针对滚动轴承智能故障诊断中传统特征提取和特征选择方法所带来的不确定性和复杂性,提出了一种卷积神经网络方法。利用原始振动数据设计并训练卷积神经网络智能故障诊断模型,对轴承故障类型及故障程度进行智能故障诊断,研究了学习率、迭代次数、训练样本比例、Batchsize等对模型诊断性能的影响,并选取最优参数进行滚动轴承的智能故障诊断。为了验证以上所提出方法的有效性,基于LabVIEW设计了滚动轴承智能故障诊断振动信号采集系统,在滚动轴承故障诊断实验台上模拟了不同故障类型及故障程度的滚动轴承在多种工况下的运行状态。在实验中,从时效性、准确性方面对比分析了本文所提出几种不同方法,验证了所提出方法的有效性,可为工程中滚动轴承智能故障诊断提供一定的参考思路。