滚动轴承是旋转机械运转过程中的关键元件,其应用范围比较广泛,运行环境比较复杂,也是易发生故障的零件。滚动轴承一旦出现故障,将影响其他元件的正常运行甚至会使整个系统瘫痪,因此在运行过程中对轴承进行状态监测是非常重要的。当发生故障后及时进行维修或更换,将提高整个系统的生产效率和整条生产线的生产质量。对于早期故障的诊断,已经成为当前机械故障诊断领域的研究热点。早期故障特征一般比较微弱,往往被外界干扰所淹没,传统的信号处理算法难以对其诊断。为此,本文以滚动轴承为研究对象,通过建立设备各运行状态下的激励响应模型来分析故障产生机理。然后将故障诊断相关理论和现代信号处理方法相结合,从信号降噪、特征提取、预警方法、智能状态分类等角度进行了研究。对每个关键问题进行分析,并针对现有的缺点提出相应的解决方案。对振动信号进行激励响应分析,提出了轴承故障点信号定量分析模型、振动源到传感器之间的传递路径,研究了每个参数值对响应特征的影响。建立了轴承各运行状态下的激励信号模型,并进行实验验证模型的正确性和有效性。提出了一种参数优化的最大相关峭度解卷积细化窄带信号降噪方法。基于所建立的轴承振动信号响应模型,对故障信号的周期性、冲击性以及调制成分进行分析。提出改进相关峭度指标来寻找最优滤波器长度和滤波周期,来实现最优的滤波效果。然后对小波包二叉树算法进行细化,将故障特征信号限制在一个窄带范围内,采用频域相关峭度指标作为最优频带选取依据,进一步达到滤波的目的。并与传统信号处理算法对比,验证了该算法在滚动轴承微弱故障振动信号降噪方面的先进性。提出了采用最优小波尺度循环频率对特征进行提取的算法。依据上文相关峭度在表征轴承冲击故障特征方面的先进性,以相关峭度为分析目标,将小波时频图中的分析范围限制在相关峭度值较大的最优尺度范围内,沿着时间轴对应的小波系数模值或包络值作为循环统计量进行分析,提取出与故障特征相关的敏感分量。并通过实验验证算法在轴承微弱故障特征提取中的有效性。基于小波尺度谱的分布特性,提出了一种基于小波稀疏表征的早期微弱故障预警方法。在小波时频图中继续对小波尺度谱每个时间点沿着频率轴的小波系数进行分析。通过重新排列小波尺度谱并进行同步平均,然后提取小波脊线,计算其幅值并进行频谱分析,提取轴承的频域幅值局部顶点,将顶点对应的频率值所占轴承的故障特征值的比重率作为预警指标,实现轴承早期故障报警。并采用所提算法分析轴承实验台数据,验证了算法的有效性。针对轴承振动信号数据量较大,采用单个分析故障数据计算量较大问题,提出了基于深度自编码对小范围迭代周期内的频域相关峭度值进行处理的智能状态分类算法。依据相关峭度能很好地表征轴承冲击故障特征并能抑制噪声干扰的特性,通过计算原始振动信号在小范围内不同迭代周期下频域相关峭度值作为新的分类数据,然后将其输入到深度稀疏自编码神经网络进行分类。结果表明,所提算法可以更准确、快速地对轴承各运行状态下的实验数据进行分类。本文建立了轴承各运行状态下的信号响应模型,考虑了各因素和参数对模型的影响,突破了传统信号处理方法对微弱故障信号分析的局限性。实现了外界噪声干扰较大时的噪声滤除以及早期故障特征比较微弱情况下的故障特征增强,并达到了实时故障报警。开展故障智能分类研究,对实验数据量大、种类多的情况获得了准确、快速的识别结果。本文的研究工作为基于振动信号分析的滚动轴承微弱故障诊断提供了理论支撑和技术支持。