退火窑主传动系统辊道是承载、拉引玻璃产品的关键部件,一旦出现轴承故障将使辊道丧失运转平稳性,对玻璃产品的成型质量造成重大影响,甚至导致整条生产线停产,给企业造成巨大经济损失。为了保障退火窑辊道的平稳运转,降低玻璃产品成型不良率,研究辊道轴承的故障诊断方法具有重要的工程意义。振动信号分析法是应用最广、也是最有效的机械故障诊断方法之一,具有可在线、非损伤检测等优势,非常适用于辊道轴承不停机拆检的诊断需求。论文重点研究了辊道轴承故障振动信号降噪、特征提取及评估、故障模式识别等关键技术,提出了一种基于灰关联熵分析和敏感特征评估的辊道轴承故障智能诊断方法,设计并开发了退火窑辊道轴承故障检测与诊断系统。论文主要研究内容如下:（1）针对玻璃生产线退火窑辊道轴承故障信号存在的强机械背景噪声干扰问题,提出一种基于灰关联熵分析的信号降噪方法。该方法将原故障信号用经验模态分解（Empirical Mode Decomposition,EMD）为多个本征模式分量（Intrinsic Mode Function,IMF）,采用灰关联熵分析法筛选IMF分量并进行小波阈值降噪,然后将降噪后的分量与其余分量进行重构得到有效故障振动信号。滚动轴承数据降噪结果和辊道轴承实测实验均表明,对轴承故障信号的信噪比和均方根值都有明显改善,论文提出的降噪方法简单有效。（2）针对辊道轴承故障诊断准确率低,效率差等问题,提出了一种基于敏感特征评估和神经网络的智能故障诊断方法。该方法利用小波包变换提取时域和频域特征,定义基于故障特征类间、类内距离的敏感特征评估因子,筛选出敏感特征集,然后利用径向基函数（Radial Basis Function,RBF）神经网络对故障特征集进行识别。利用滚动轴承数据和退火窑辊道轴承故障测试数据验证了基于距离的敏感特征评估方法,结果表明,经评估并筛选出的敏感特征有效降低了全特征集的维度,提升了故障诊断准确率。（3）针对退火窑辊道轴承运行情况非损伤检测与故障诊断,根据论文所提的故障信号降噪方法和敏感特征选择方法,设计了退火窑辊道轴承故障检测与诊断系统。利用实测信号进行功能演示,验证了系统故障诊断功能的简捷性和有效性,为玻璃生产线退火窑主传动系统辊道轴承的故障高效诊断提供技术支撑。