滚动轴承作为旋转机械的重要零部件之一,其故障诊断对于机械设备安全运行具有重要意义。由于滚动轴承作业环境较为复杂,采集到的振动信号中包含大量噪声,如何在噪声环境中提取有效故障信息,实现较为精准的故障识别是当前研究的重点和难点。针对滚动轴承振动信号非平稳、非线性特点,本文提出了一种自适应Gaussian-Bernoulli深度信念极限学习机网络滚动轴承故障诊断方法。首先,针对原始信号数据维度大导致深度信念网络各层单元较为复杂,影响故障诊断效率的问题,提出了集合经验模态分解-奇异值分解(EEMD-SVD)滚动轴承特征提取方法。该方法减少了噪声信号对有效信息的干扰,提取信号奇异值向量作为样本数据,降低了输入数据维度。其次,针对深度信念网络(DBN)可见层输入受二值限制的问题,提出了自适应Gaussian-Bernoulli受限玻尔兹曼机(AGBRBM)方法,对样本进行预训练,解决了预训练过程中学习率参数值难以实现最优设置和DBN输入数据受限制的问题,在预训练过程中可根据重构误差不断调整学习率,加快了网络收敛速度,提高了网络训练准确率。然后,针对DBN微调优化网络参数过程中,反向传播(BP)算法迭代时间较长,影响诊断效率且迭代过程中容易陷入局部最优值的问题,提出了AGBRBM-ELM优化网络参数方法,将AGBRBM训练后的权重和偏置作为ELM的初始化输入参数,并通过ELM算法计算输出参数矩阵实现网络参数优化,提高了模型训练速度和精度,解决了ELM随机生成输入参数造成网络不稳定的问题。最后,将EEMD-SVD特征提取后的奇异值向量作为网络搭建样本,结合AGBRBM预训练和AGBRBM-ELM网络参数优化方法搭建了自适应Gaussian-Bernoulli深度信念极限学习机网络(AGBDBEN),形成了一套完整的滚动轴承故障诊断方法。并将AGBDBEN和DBN、ELM、BPNN、SVM等多种模型进行对比,实验结果证明了本文方法的有效性。