滚动轴承作为大型机械设备的基本部件,其状态的正常与否直接影响到设备能否安全运行。若轴承在设备运行过程中出现故障,不但会造成巨大的经济损失,甚至会引发一系列灾难。因此,对滚动轴承故障诊断技术进行研究具有十分重要的实际意义。故障诊断的过程一般可分为四个步骤:信号采集、特征提取、特征选择和故障识别。其中故障的特征提取和故障识别是最终决定能否准确判断滚动轴承故障类别的重要步骤,故本文将从这两方面进行深入研究。主要工作如下:(1)对滚动轴承故障信号的特征提取方法的研究:首先针对稀疏降噪自编码器(SDA)在特征提取过程中存在的计算复杂度高、参数不易调节和训练收敛速度慢等问题,对SDA网络的损失函数进行边缘化处理,构成稀疏边缘降噪自编码器(MSDA),随后结合逐层贪婪算法得到具备深层神经网络性质的堆叠稀疏边缘降噪自编码器(SMSDA),然后将SMSDA网络与Softmax分类器结合,得到SMSDA-Softmax特征提取模型,最后利用QPZZ-Ⅱ旋转机械故障模拟实验平台模拟多种故障类型,对比实验表明,本文提出方法相比于传统的堆叠稀疏降噪自编码器(SSDA),在收敛速度以及学习精度上都有了较大提升。(2)对滚动轴承故障信号的故障识别方法的研究:首先对支持向量机(SVM)的分类原理进行了深入了解,并采用改进粒子群算法对SVM的参数选择问题进行优化。然后将SMSDA-Softmax特征提取模型与粒子群算法(PSO)优化后的SVM分类器相结合,构建出基于SMSDA-PSO-SVM的故障智能诊断模型。最后通过仿真实验,分析了关键参数对网络分类性能的影响,验证了改进模型的诊断性能。