双半内圈轴承是旋转机械关键承载部件之一,在发动机高压高温、高速运行和双向轴向重载条件下易产生剥落、磨损和裂纹等故障。本文通过分析双半内圈轴承故障特性,设计了典型故障实验台。针对双半内圈轴承故障振动信号频率成分复杂、特征频带混叠且受强振动噪声影响的特点,利用自适应最稀疏窄带分解方法(Adaptive Sparsest Narrow-Band Decomposition,ASNBD)具备的局部窄带宽截取能力,提出了基于互补集合自适应最稀疏窄带分解方法(Complementary Ensemble Adaptive Sparsest Narrow-Band Decomposition,CE-ASNBD),有效提取了故障特征信息。为实现双半内圈轴承故障智能诊断,使用复合多尺度模糊熵(Composite Multi-scale Fuzzy Entropy,CMFE)对振动信号特征信息进行表征,结合深度置信网络(Deep Belief Nets,DBN)方法完成了双半内圈轴承的智能识别。研究的主要内容如下:(1)典型故障实验设计。双半内圈轴承常用于均分发动机运转时的双向轴向力,因此使用双向螺纹轴、施压夹具和联轴器构建加压模块,模拟双半内圈轴承的工作环境,在此基础上构建了双半内圈轴承故障实验台。(2)故障特征提取方法。由于双半内圈轴承故障信号频率成分复杂、特征频带混叠,采用ASNBD方法提取具有局部窄带特征的故障信息。为提升ASNDB方法在面对强噪声时的分解能力,结合互补集合方法,提出了CE-ASNBD方法,有效实现了双半内圈轴承的故障特征信息提取。(3)故障智能识别方法。采用CMFE表征振动数据的非线性程度,结合DBN构建了双半内圈轴承故障智能诊断方法。对双半内圈轴承各类典型故障实验数据的分析结果表明,论文方法能准确识别双半内圈轴承不同类型故障。