随着不同领域大型机电装备逐渐向自动化、智能化和高可靠方向发展,对机电装备及其重要零部件运行状态监测分析和高效运维的技术需求不断增长。滚动轴承作为旋转机械的重要组成部分,广泛应用于各个行业大型机电装备中。恶劣的工作条件使轴承性能逐渐退化并产生故障,直接影响设备整体可靠性。传统信号分析及故障诊断方法难以满足需求。因此,开展滚动轴承故障诊断和退化识别研究是提高大型机电装备监测诊断技术水平,保障设备运行安全的重要前提。但是,实际工作条件下滚动轴承常常面临包括不同转速、载荷及变转速在内的非稳态条件影响。此外,矿业和工程机械等领域常出现低速重载工况,具有鲜明的行业特色。这使得滚动轴承的故障诊断和退化识别面临诸多难点。本文以非稳态条件下的滚动轴承作为研究对象,通过对局部故障振动机理、未知变转速故障诊断、单脉冲特征提取、退化识别及尺寸测量等问题开展研究,形成了非稳态条件下滚动轴承故障诊断及退化识别技术,为保障大型机电装备安全运行提供理论基础和技术支持。主要研究内容如下:（1）在归纳总结滚动轴承功能结构及故障特性的基础上,建立了滚动轴承简化动力学模型,分析了故障轴承振动特性。根据研究需要搭建了滚动轴承故障诊断实验装置并进行振动信号采集实验,获取了不同工况条件下多种故障类型和故障状态的滚动轴承振动信号,为后续研究提供理论依据和基础数据。（2）针对滚动轴承局部故障振动机理开展研究,提出一种基于模型的局部故障尺寸测量方法。分析了滚子运动路径和碰撞情况,推导了轴承内圈和外圈故障附加位移和冲击力公式,改进了滚动轴承局部故障振动模型。进一步分析了冲击力和径向载荷对轴承振动信号特征的影响,将已被验证有效的模型仿真结果作为基准条件用于局部故障尺寸测量,简化了数学模型。方法综合考虑转速和径向载荷对双冲击间隔时间的影响,对重载工况下小尺寸局部故障也能取得较高的测量精度。研究结果为后续滚动轴承故障诊断和退化识别技术研究提供了理论依据。（3）针对未知变转速条件对滚动轴承故障诊断造成影响的问题,提出一种基于多曲线提取与选择、Vold-Kalman滤波（Vold-Kalman Filter,VKF）和广义解调（Generalized Demodulation,GD）的故障诊断方法。利用曲线提取算法从轴承信号及其包络的时频表示（Time-Frequency Representation,TFR）中迭代提取不同成分的多时频曲线,根据相对阶次判断曲线归属成分,选择并计算高精度瞬时轴转频率（Instantaneous Shaft Rotation Frequency,ISRF）曲线和故障时频曲线,通过判断曲线间实时比值与故障特征系数（Fault Characteristic Coefficient,FCC）的偏差,确定滚动轴承当前故障类型。针对早期微弱故障时频特征在变转速条件下分散且不明显的问题,结合VKF和GD对故障脉冲成分进行提取和解调,构建重构解调谱将分散特征集中形成特征峰值,实现对滚动轴承早期微弱故障类型的诊断。方法在未知变转速条件下能够准确诊断轴承故障类型,在信号解调后能够识别微弱故障。（4）针对非平稳低转速条件下滚动轴承故障特征信息有效提取的问题,提出了一种基于相位扫描的单脉冲特征提取方法。利用ISRF信号构建故障相位函数和键相函数,划分多故障周期并对轴承振动包络信号进行相位扫描。通过总体平均消除噪声和细节特征丢失的影响,获得平滑的单脉冲波形特征。使用单脉冲波形峰值作为评价指标对多故障周期进行迭代校准,并对特征幅值标准化,从而消除工况影响。方法能够有效提取滚动轴承内圈和外圈故障单脉冲特征,提取的单脉冲特征对局部故障退化状态敏感程度较高,并且能够克服不同转速载荷及非稳态条件的影响。（5）针对滚动轴承故障类型及故障程度识别困难的问题,开展了基于单脉冲特征的滚动轴承退化识别方法研究。使用单脉冲特征向量构建携带滚动轴承故障信息的特征矩阵,基于卷积神经网络（Convolutional Neural Network,CNN）构建深度学习网络对滚动轴承故障类型进行准确诊断。针对直接使用单个网络同时识别轴承故障类型和退化状态时,样本数据存在冗余信息、小尺寸故障容易出现误诊等问题,研究了多网络分别处理不同故障类型数据的退化识别方法,根据轴承故障类型选择单脉冲特征向量,并调用对应网络进行分析。方法能够在不同工况及非稳态条件下对滚动轴承内、外圈故障类型及其退化状态进行准确识别,并对局部故障尺寸进行精确测量。该论文有图73幅,表9个,参考文献167篇。