滚动轴承是造纸机械中最常见的零部件之一，它的运行状态直接影响到纸机的正常的生产。本文分析了滚动轴承典型故障的故障机理，介绍了滚动轴承故障常用的方法。用对振动信号的处理和分析的方法来诊断轴承故障是比较有效的，而且应用的最多，这种方法有两种包括时域分析和频域分析法，这两种方法都是将轴承的故障的信号与它正常运转的时候相比来进行故障诊断，此外，通过在线监测系统采集的故障信号还可以用来诊断轴承的早期故障，以降低事故发生的概率。但是信号分析有它的局限性，而神经网络由于其优越性受到越来越多的关注，为故障诊断技术开辟了一条新途径。 本文就选用神经网络方法对轴承的故障诊断进行了研究。我们自己制作故障轴承，包括外圈、内圈以及滚珠故障，此外还使用了正常轴承，增加模型的完整性，提高诊断的精度。本文的神经网络包含有输入层、隐含层和输出层，网络输入层单元为轴承振动信号的5个时域特征参数，包含有峰值、均方根值、峭度、裕度指标以及波形因数，这些时域特征参数数据是通过现有的轴承监测系统是在轴承实时运转时采集的，输入层的值经过归一化后介于在0到1之间。输出层有三个单元，这些单元数是二进制数即表示轴承的不同的故障状态，隐层数单元数尝试不同的个数，采用BP(Back-propagationalgortihm)算法来进行网络训练，训练数据是采集的特征参数数据的子集，网络训练好后进行检测，结果分析准确率比较高，将故障诊断系统与神经网络模型结合可以诊断纸机的轴承。