机械轴承作为机械设备中最常见也是最重要的部件之一,它的运行状态决定着机械设备能否安全运行,在机械设备中起着不可缺失的作用。随着机械设备的复杂化和监测方法的多元化、设备与设备之间的紧密关联,以及轴承状态信息的多源性等原因带来的各种不确定性及信息融合问题,直接增加了故障诊断难度,另外,如何有效利用海量轴承状态数据来提高诊断精度也是目前故障诊断的热点和难点。为此,本文从轴承状态信息的不确定性和深层特征提取的方向出发,对基于概率包络和深度信念网络的机械轴承故障诊断方法开展了研究。本文首先介绍了本课题的研究背景及机械轴承故障诊断的相关研究,阐述了本课题研究的必要性;然后,介绍了概率包络的不确定性建模、特征提取等相关理论基础,以及深度信念网络的基本原理和基础结构;其次,针对机械轴承故障信号采集中存在的不确定性和信息缺失等问题,提出基于概率包络特征提取的机械轴承故障诊断方法,阐述了概率包络建模的具体流程和基于概率包络的特征提取方法,实验表明基于概率包络的轴承故障诊断方法合理可行,并取得了较好的结果;针对数据规模达到一定程度后诊断精度难以进一步提高的问题,提出了基于概率包络和深度信念网络的轴承故障诊断的方法,具体阐述了深度信念网络的模型构建和训练过程,通过采用概率包络对轴承状态信息进行不确定性建模,并将建模后的单指标多源信息进行概率包络融合,并将提取出的概率包络特征作为深度信念网络的输入,进行更深层次的特征提取和分类诊断,实验结果表明本文方法在机械轴承故障诊断方面的有效性。