滚动轴承是机械装备的重要组成零部件,在复杂的和恶劣的工作环境长期使用后,滚动轴承不可避免的将会出现各种各样的故障,严重影响整机的工作性能从而导致严重的安全事故。一旦发生事故将造成重大的人力财力损失,所以对滚动轴承进行健康状况监测与故障诊断变得十分重要。滚动轴承振动信号传递与承载着其工作过程中所蕴含的大量信息,振动参数比起其它各类参数更能直接快速而又准确地反映轴承的运行状态。因此,本文基于滚动轴承的振动信号,结合新近出现的压缩感知理论和神经网络方法对滚动轴承的故障诊断技术进行了深入的研究。所取得的主要研究成果如下:(1)研究了常用测量矩阵压缩测量机械振动信号的适应性。首先,对确定性测量矩阵、随机测量矩阵和部分随机测量矩阵的原理进行了介绍;然后,基于不同正交基上验证并分析了机械振动信号的稀疏性,即可压缩性;最后分别采用常用的测量矩阵对机械振动信号进行了压缩测量仿真试验。根据仿真试验结果得出了采用各种测量矩阵压缩测量以后并重构的重构误差随着测量值数目变化关系,并进一步分析和比较了各种测量矩阵压缩测量机械振动信号的性能优劣。(2)采用了一种适用于机械振动信号的最优型OST测量矩阵并阐明其具体构造流程,同时验证分析了其优良的压缩性能。首先,经过分析对比了不同测量矩阵的压缩性能,发现托普利兹矩阵有优化的空间,随后指出了正交对称托普利兹矩阵即OST测量矩阵对于机械振动信号的重构性能仍有待改进,所以从非相干性出发,利用阈值迭代收缩算法对测量矩阵进行优化,最后,为了提高OST矩阵自身的列独立性,采用奇异值分解算法对测量矩阵进行了进一步的优化,最终得到最优型OST矩阵并与其它测量矩阵进行了对比仿真试验。结果表明:在压缩率固定和变化两种情况下,相比于OST测量矩阵,托普利兹矩阵和高斯随机矩阵,优化后的最优型OST矩阵能够更精确地重建原始振动信号,即最优型OST矩阵的压缩测量效果优于其他测量矩阵。同时,最优型OST矩阵的构造复杂度远低于随机性矩阵,有利于工程技术实现。(3)基于最优型OST矩阵,提出了一种滚动轴承故障智能诊断方法。首先,详细地阐述了本文所提基于压缩测量值智能诊断方法的构造流程;其次,建立了滚动轴承的BP神经网络故障诊断模型,同时分析了神经网络关键参数对实验的影响并确定了神经网络关键参数的取值;最后,将原始时域信号和压缩域信号分别输入到故障诊断模型进行对比分析,实验结果表明采用压缩域信号进行故障诊断具有更高的识别率;将不同的测量矩阵处理后的压缩域信号输入到神经网络进行对比,实验结果表明,采用最优型OST测量矩阵得到的压缩域信号也具有更高的识别率。本文方法只需要少量表征原始信号的压缩测量值即可实现轴承故障信号的智能诊断,节省了直接处理大量原始信号所需要的时间。