滚动轴承作为旋转机械的关键部件,由于长期在高速、高温、变载、冲击等复杂条件下工作,其故障率通常占整机总故障率的45%～55%。滚动轴承故障诊断技术的研究对于保证设备的安全运行具有重要的现实意义。滚动轴承振动数据能体现其运行状态的内在信息,然而滚动轴承振动信号通常具有随机性、非平稳性等特点,且成分复杂、维度较高,信号的特性决定了在信号处理中会存在一些困难。有效的信号特征提取方法可以去除冗余信息和噪声,大大提高故障诊断的精度。多域特征的差异性和互补性可以较全面地表征出故障信息,但同时提取的特征过多会导致特征维数过高,造成“维数灾难”。从海量信号数据中获得高敏感度故障信息,并将信号高维特征数据转化为低维数据（数据降维）,是故障诊断中的重要问题。由于BP神经网络具有强大的数据处理和学习能力,本文基于BP神经网络研究了滚动轴承故障数据降维及诊断方法。主要研究内容如下:（1）对滚动轴承振动信号进行分析和特征提取。通过时域、频域、时频域分析,提取振动信号相应的特征参数。将提取的信号特征参数作为试验数据,基于BP神经网络对滚动轴承正常状态,内圈故障,滚子故障,外圈3点钟、6点钟和12点钟三个方向故障,共6种信号状态进行诊断,实现准确识别故障类型。（2）提出一种保留原始特征的数据降维方法。该方法系统分析信号特征参数对各故障状态识别的敏感度,以及特征参数间区分度和相关性,在兼顾不同故障对特征指标的敏感性和稳定性的不同需求下,择取特征组合诊断故障,从而找出满足要求的故障识别率的最佳（最敏感+最少必要个数）的特征信号进行组合来训练故障诊断神经网络,进行故障诊断。通过滚动轴承故障数据集验证了该方法的有效性。（3）采用主元特征融合方法对信号特征参数进行融合处理实现降维。该方法将不同特征参数提取方法的样本分别进行主元分析,选择累计贡献率达到95%和99%的主元作为试验数据,训练和测试故障诊断神经网络。通过滚动轴承故障数据集验证了该方法的有效性,通过滚动轴承全寿命数据集验证了该方法的泛用性。（4）采用自动编码器降维方法对于信号特征参数进行降维处理。该方法根据维数需求建立自动编码器模型,将特征参数数据样本作为训练数据,经过自动编码器学习,得到降维后的数据,用于滚动轴承的故障严重程度诊断。同等维数下,此方法较主元特征融合精度更高。为进一步验证该方法,研究了针对噪声数据的滚动轴承的故障严重程度诊断,在原始信号中添加不同成分的噪声,提取含噪信号的特征参数,通过自动编码器降维,获得了较高的故障诊断精度。