随着机器学习不断发展,其应用领域从单纯图像识别延伸至医学影像、目标定位追踪、故障诊断等领域;同时,工业领域装备大型化、自动化使传统故障诊断方法无法适应这一变化。在此背景下,本文以滚动轴承为研究对象,针对传统故障诊断方法特征提取困难、分类准确率低、分类时间长的三大难题,提出了基于改进粒子滤波与深度置信网络的故障诊断方法。本文首先对滚动轴承典型故障及其失效形式进行分析,得到故障信号特征频率计算公式。根据实验需求,设计滚动轴承实验台和数据采集系统,设计并加工不同程度轴承缺陷,确定实验步骤,完成轴承振动数据获取。针对原始信号信噪比低、标准粒子滤波过拟合问题,提出无迹卡尔曼算法改进粒子滤波来提高信噪比,完成原始信号降噪。首先使用CEEMD分解原始信号并重构出噪声信号,建立ARIMA模型近似粒子滤波状态空间模型,获得粒子滤波的状态函数和观测函数,进而使用UPF进行降噪处理。该方法是利用粒子对原始信号进行重构,因此对数据没有周期性等要求,具有非常强的适应性,便于推广至其他类型数据滤波。在仿真分析中,以RMSE作为重构评价指标,对比标准PF,UPF具有更好的性能;在对实际轴承信号分析中,降噪信号能够更好地反映出故障频率特征,证明了UPF适用于轴承振动信号降噪。故障分类使用DBN模型,输出层以Softmax作分类函数。DBN有监督微调阶段,使用BP算法对网络参数进行调整,并提出改进梯度下降算法使该阶段学习率实现自适应调节,满足网络快速收敛要求的同时避免了“梯度爆炸”。使用MNIST手写数据集对DBN的特征提取能力与分类能力进行初步实验探究,确定RBM迭代次数、节点数目、学习率等参数对特征提取能力的影响以及网络深度、BP微调对分类能力的影响。后续使用西储大学轴承数据集和自测轴承数据探究DBN分类效果。首先以原始振动信号和滤波后的信号作为DBN输入,后者的分类准确率均在98%以上,训练时间约为350秒;为解决训练时间过长的问题,人为提取10个时域特征和3个频域特征构造特征矩阵,作为DBN输入,训练时间缩短至15秒之内,其中三个数据集的分类准确率达到100%,十次实验中只出现一例样本识别错误;与PSO-SVM、BPNN及DBM三种分类模型进行对比,结果表明无论在分类准确率还是训练时间上,本文提出的DBN分类模型均有所提高。论文最后对本文工作进行总结,并思考了本文方法的不足之处,提出了后续改进方向。