随着国防和军队现代化建设水平的不断提高,军事装备自动化、智能化水平日益提升,机电一体化机动装备如雷达、通信装备的使用,大幅度提升了部队机动化作战能力。与此同时也出现了一定问题,设备自动或半自动运转过程中有时出现故障,某些故障往往会严重影响装备运转工作,甚至导致装备无法使用。滚动轴承作为机动化装备运输、展开、扫描等过程中常用部件,是机动化装备的薄弱环节之一,因此实现滚动轴承的健康监测与故障诊断,对于整套装备健康安全运行,履行作战单元使命,具有十分重要的意义。本文结合滚动轴承出现故障时,引起周期性冲击振动,采集与分析振动信号能够有效分析轴承状态的实际,针对轴承工作环境噪声大,振动信号非平稳性非线性的特点,以及信号淹没在噪声中等问题,采用传统信号处理手段分析轴承非平稳信号特征,得出信号处理手段噪声环境下难以直接明显区分故障类型,需要根据信号特点使用进一步的复杂算法计算,工作量大、成本高且处理条件有时无法满足。进一步结合机器学习的发展,研究了基于经典卷积神经网络的轴承故障诊断方法,但卷积神经网络在诊断中表现出信号时频域空间、位置关系利用不充分等问题,故本文提出了分散注意力胶囊网络模型。论文主要研究有以下几个方面。首先,结合传统信号处理方法,通过时域、频域和时频域分析手段探索非平稳状态信号的特点。分别采用同一故障轴承在不同转速、负载工况下的振动信号,进行时域指标分析,得出非平稳状态下轴承时域指标不具有严格统计规律特性;通过故障特征频率计算理论和包络谱分析方法进一步验证非平稳状态下振动信号,在频域内不具有明显的规律性;利用时频域分析进一步探索信号特点,得出了轴承非平稳信号能够在时频域联合分布图上,表现出转频和故障特征频率存在固定比例关系的特征。其次,根据时频域中转频和特征频率呈现固定比例关系曲线的特征,研究基于时频域转换阶次域的域变换诊断方法。提出了针对特定工况小范围内模极大值搜索的方法,在时频域中将瞬时转速提取得到。根据提取的瞬时转速信息,研究基于频域坐标重构,时频域变换阶次域的方法,得到阶次明显的故障诊断数据。最后,针对阶次域变换后,仍存在识别模糊等问题和如何实现智能化诊断方法,研究基于传统卷积神经网络的智能识别算法,利用坐标重构后阶次域的数据,对比了深度学习发展过程中的AlexNet、VGG16、Googlenet、ResNet50四种经典模型,分析了模型的优点和不足,进一步提出了分散注意力胶囊网络的方法,模型诊断正确性得到了较大的提高。本文方法对研究基于机器学习的故障诊断方法具有一定参考价值,对提高设备智能化监测和维护具有一定现实意义。