滚动轴承是机械设备中常用的部件之一,被广泛运用于智能制造、航空航天等工业领域,其安全稳定运行与否将影响整个设备的运行状态。由于工作环境、强度等因素的影响,滚动轴承寿命具有较大的不确定性,一旦发生故障,可能引发意外导致财产损失甚至人员伤亡,因此,对其开展状态监测与故障诊断研究具有重要的意义。本文以滚动轴承为研究对象,提出了基于自适应调频模式分解（Adaptive Chirped Modal Decomposition,ACMD）的滚动轴承故障诊断方法。为了研究ACMD算法的信号分解效果,构造仿真信号进行分析,并与经典EMD算法的分解结果进行对比,结果表明,ACMD算法在信号分解精确性,分量的时频分辨率以及抑制模态混叠方面更具有优势。运用该算法分析故障振动信号,实现了故障特征信息提取,并与经验模态分解（Empirical Mode Decomposition,EMD）方法对比分析,体现了ACMD算法在滚动轴承故障诊断方面的有效性。为了降低干扰噪声的影响,增强故障特征信息,本文提出了一种ACMD和多点最优最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjust,MOMEDA）的滚动轴承故障诊断方法。根据加权峭度准则筛选ACMD算法分解后的敏感分量进行信号重构,然后运用MOMEDA算法对重构信号进行特征信息增强,最后进行包络解调分析。通过与EMD-MOMEDA特征提取结果进行对比,体现了本文所提方法所提取故障信息更多,更精确的优势。为了优化故障诊断流程,改善传统故障方法过于依赖先验知识的问题,针对滚动轴承信号的特点,提出了基于ACMD精细化复合多尺度符号动态熵（Refined Composite Multi-scale Symbolic Dynamic Entropy,RCMSDE）和GG聚类的滚动轴承故障诊断方法。首先运用ACMD算法进行故障信号分解,然后引入精细化复合多尺度符号动态熵,利用特征信号分量的RCMSDE组成特征向量,再将特征向量导入到GG聚类中实现滚动轴承不同故障类型的识别。通过相关聚类指标来评价聚类效果,并与ACMD-K均值聚类和ACMD-GK聚类方法进行了对比,结果表明本文方法聚类效果更好,能够识别滚动轴承不同类型的故障,识别精度较高。为了进一步改善故障流程,提升故障诊断效果,使故障诊断更加智能化、便捷化,本文将ACMD和CNN-Bi GRU-Attention神经网络模型相结合,提出了一种基于ACMD-CNN-Bi GRU-Attention的滚动轴承故障诊断方法。首先运用ACMD分解滚动轴承故障信号,得到一系列分量,再根据加权峭度准则选取特征分量进行信号重构,最后运用CNN-Bi GRU-Attention模型进行学习和智能分类。将该方法运用在10种不同类型的滚动轴承振动信号数据处理中,通过分类准确率、精度等指标对故障诊断结果进行评价,结果表明,所提方法可以实现滚动轴承故障的精确诊断,与原始数据-CNN-Bi GRU-Attention和ACMD-Bi GRU-Attention方法进行对比,本文方法具有更高的故障诊断准确率,精度更高,诊断效果更好。