滚动轴承故障的复杂多变性、不确定性导致其诊断难度进一步增大,而决定诊断性能好坏的关键过程包括特征提取与故障识别,特征提取的好坏将直接决定诊断精度的高低,而构建合理的识别模型也同样有重要意义。论文主要从故障识别模型构建方面,针对滚动轴承多种故障类型、不同故障位置、不同故障程度以及不同负荷混合的数据样本,分别构建了优化的核极限学习机(Kernel Extreme Learning Machine,KELM)模型以及改进的深度置信网络(Improved Deep Belief Network,IDBN)模型,以实现滚动轴承复杂工况混合的智能识别。本论文的主要工作以及研究内容如下:(1)针对滚动轴承故障特征提取问题,分别采用统计分析、FFT和VMD方法对滚动轴承信号进行时域、频域、时-频域的特征提取,构建能全面反映原始信号固有属性的高维特征向量,与传统的采用单域特征识别方法相比,具有更高的识别精度;为了消除滚动轴承高维故障特征冗余及不相关特征,提高算法执行速度,采用拉普拉斯分数(Laplace Score,LS)算法对高维特征矩阵实现特征自动选择,与原始特征及Fisher分数(Fisher Score,FS)特征选择相对比,LS算法更能有效的筛选出敏感特征,获得更高的识别精度。(2)针对KELM参数智能优化选择耗时以及容易陷入极值等问题,采用模拟退火粒子群优化惩罚系数C和核参数?,将自动选择的低维特征输入到KELM分类器,实现滚动轴承复杂工况的智能识别,与极限学习机(Extreme Learning Machine,ELM)、概率神经网络(Probabilistic Neural Network,PNN)、支持向量机(Support Vector Machine,SVM)分类器的诊断性能相比,KELM具有更快的识别速度、更高的识别精度以及更好的鲁棒性,更符合实际工程条件下的智能识别。(3)结合DBN在特征提取和处理高维、非线性数据等方面的优势,提出基于连续高斯分布的稀疏正则化IDBN模型。为解决IDBN需要大量训练数据,采用滑动窗口增加训练数据样本的方法,为解决模型训练效率低的问题,将压缩感知理论(Compressed Sensing,CS)用于数据预处理,最终提出基于CS与IDBN模型的故障识别方法,实现滚动轴承不同故障类型、不同故障程度及不同负荷情况下的故障智能识别,与传统的智能识别方法实验对比表明,CS-IDBN模型具有更高的识别精度。