滚动轴承作为旋转机械的重要组成部件之一,其运行状态直接影响着整个机械设备的运转甚至人身安全,因此对轴承进行故障诊断分类具有重要的现实意义。本文以轴承的故障特征提取和故障诊断模型等两个角度入手,提出ICEEMDANHilbert边际谱-DSELMCAE与IAO-SVM模型结合的滚动轴承故障诊断方法。首先,针对轴承振动信号的非线性、非平稳性等特性造成故障特征难以提取的问题,采用ICEEMDAN算法分解原始轴承故障数据,提取了轴承振动信号的内部特征信息。通过经验模态分解算法、总体经验模态分解算法与ICEEMDAN算法处理简单多谐波信号的仿真实验,详细说明了ICEEMDAN在解决模态混叠和过分解等方面更具优势,证实了ICEEMDAN算法更加适合分解轴承振动信号。采用ICEEMDAN分解轴承信号,并结合Hilbert边际谱的方法将IMF分量融合形成一个边际谱信号,实现轴承故障特征的初步特征,再将边际谱信号输入DSELMCAE进行深层次的特征提取,最终形成了ICEEMDAN-Hilbert边际谱-DSELMCAE的深度特征提取方法。其次,对比分析了不同核函数的选择对支持向量机的影响,确定了高斯径向基核函数的SVM模型。针对高斯径向基核函数的SVM模型中惩罚因子C和核函数参数g难以选择的问题,引入一种Circle混沌映射、动态概率切换扰动的反向学习和柯西-高斯变异策略的天鹰优化算法,并通过12个基准测试函数的仿真实验以及Wilcoxon秩和检验证明了改进型天鹰优化算法的收敛速度和寻优精度。利用IAO对C和g两个关键参数自动寻优,建立IAO-SVM多分类模型。最后,本文将ICEEMDAN-Hilbert边际谱-DSELMCAE的深度特征提取方法与IAO-SVM多分类模型结合起来。通过ICEEMDAN-Hilbert边际谱初步特征提取下的BP神经网络、KELM、SVM、GWO-SVM、AO-SVM、IAO-SVM模型以及ICEEMDAN-Hilbert边际谱-DSELMCAE深度特征提取下的GWO-SVM、AO-SVM、IAO-SVM模型的诊断结果,验证了ICEEMDAN-Hilbert边际谱-DSELMCAE和IAO-SVM模型的科学性、合理性和高准确率。该模型综合考虑了算法自身的优势,不但解决了轴承故障特征难以提取问题,而且故障诊断准确率达到99.67%。