滚动轴承作为转子系统重要的支撑部件,时常处于高温,高载荷等恶劣的工作环境中,导致其振动信号十分复杂,受噪声信号污染严重,故障特征不易提取,从而增加了滚动轴承的诊断难度。本研究基于滚动轴承多期故障振动信号,采用全矢包络融合双层降噪处理的信号处理手段对故障特征进行精确提取,结合神经网络算法进行诊断验证。本文主要工作和研究结果如下:1、为准确提取滚动轴承故障冲击特征,提出首先利用噪声辅助经验模态分解（Noise-assisted Multivariate Empirical Mode Decomposition,NA-MEMD）对滚动轴承的同源双通道振动信号进行自适应分解,并获得有高频到低频顺序排列信息的固有模态函数（Intrinsic Mode Function,IMF）,而后根据相关性准则分别重构X、Y方向的IMF分量,完成初步降噪处理。结合快速独立分量分析（Fast Independent Component Analysis,Fast ICA）对重构信号分别进行解混合运算,进一步实现信噪分离,增强故障冲击特征,最后根据全矢包络谱技术进行全矢包络融合,完成滚动轴承同源双通道振动信号的全矢包络故障特征提取。经过实际轴承振动信号的实验验证,结果表明该方法能有效地提取高阶故障特征频率和X、Y通道独有的特征频率。2、为验证本文的信号处理方法所提取到的故障包络谱特征是否真正有助滚动轴承的故障诊断,因此提出从浅层神经网络和深度神经网络两个角度进诊断验证,分别建立Elman神经网络模型和CNN神经网络模型。提取包络谱信号的频域统计特征参数作为Elman网络模型输入,CNN网络模型的输入数据直接为包络谱信号。为对比单通道和同源双通道以及信号处理前和处理后的诊断效果,分别将单X、Y通道信号、同源双通道信号、经过全矢NA-MEMD处理后的号以及全矢FICA-NA-MEMD处理后的信号分别输入到两种模型中诊断,结果表明:在Elman模型中,同源双通道信号相较于单通道信号诊断精度提升了30%左右,信号处理前后的诊断精度分别提升了8%和21%,全矢FICA-NA-MEMD处理后的信号达到89.93%。在CNN模型中,同源双通道原始信号的诊断精度相对于X、Y通道信号分别提升了大约28%、37%。经过信号处理前后的诊断精度提升了近20%,全矢FICA-NA-MEMD处理后的信号达到92.50%。