机械设备的故障诊断一般以振动信号作为研究载体,传统的做法是先降低信号的噪声,然后进行时频分析,提取信号特征,与已知的故障特征进行匹配,来判断机械设备是否发生故障。而随着大数据的发展,海量的振动信号让人为的故障识别变成了一件不可能完成的任务,必须借助人工智能的算法来代替人们实现故障诊断。如何结合先进的信号降噪、特征提取技术以及优秀的机器学习算法,是本文研究的重点。本文将会通过对信号的降噪技术、信号的特征提取技术、智能识别模型三方面的研究来实现对滚动轴承的滚动体故障、内圈故障以及外圈故障的单一故障智能诊断识别的目的。首先在降噪技术方面,基于已有的SVD降噪技术,根据它的奇异值有效秩阶次必须依靠人为经验来确定的缺点,提出了一种改进的奇异值分解降噪方法,通过对奇异值进行K-means聚类以及一些判定规则来实现对奇异值有效秩阶次的智能选择,成功的避免了原方法中人为因素地影响,并且在仿真实验中证明了该方法的在降噪效果上的优越性能。其次在对信号的特征提取方面,从小波变换相比傅里叶变换的差异与优越性介绍了时频分析与频域分析的不同,并且使用了一种基于小波变换的小波包分解与重构方法,通过把振动信号分解到不同的频段上,然后计算分解后的信号在各个频段上的能量,于是得到了振动信号的能量特征,结合信号的时域特征,作为对信号的特征提取的结果。最后在智能识别模型方面,研究了当下主流的分类识别算法,并且分别从传统的机器学习模型和深度学习两方面进行了测试和探究。在传统的机器学习方法中,借助小波包分解特征提取技术,分别使用了 LightGBM集成树模型、支持向量机、随机森林以及KNN算法进行了测试,并且都取得了不错的效果。在深度学习的方法中,主要选择了卷积神经网路(CNN)以及长短时记忆(LSTM)网络。由于深度学习是一种端到端的学习方式,不需要人为的提取特征,直接将振动信号作为模型的输入。最后CNN的识别效果非常令人满意,当样本量充足,CNN取得了最高的识别精度,更重要的是它省去了人为提取特征的步骤,进一步实现了智能化。