滚动轴承作为旋转机械设备中的易损件,及时、准确地进行轴承故障诊断对设备可靠运行和生产安全具有重要意义。本文结合噪声环境下的轴承故障诊断问题,利用机械故障实验台MFS-MG2010采集的轴承噪声信号,开展了以下研究工作:针对轴承运行时故障信息与正常状态信息相互叠加问题,研究了基于神经网络的自适应滤波算法,滤除设备噪声信号中的正常状态成分,保留故障信息,提高信号预处理效果。针对轴承故障信号的非平稳性特点,本着多尺度下提取的特征信息应比单一尺度下特征信息在有效度上更优的原则,研究模糊信息粒化多尺度特征提取算法。针对传统轴承故障诊断方法依赖人为特征计算的问题,本文提出基于模糊信息粒化和稀疏自编码器的特征生成方法。该方法利用模糊信息粒化对故障信号进行多尺度分析,构建基于稀疏自编码器的并行网络特征提取结构,获得了更加完备的轴承故障状态特征向量,最后将融合后的特征输入到SVM等多个基于机器学习的分类器中进行故障诊断。实验表明提出的特征生成方法在不同分类器中均具有良好的诊断效果。针对传统智能轴承故障诊断方法中特征学习能力不足、强噪声干扰下模型的适应性和鲁棒性仍需进一步加强等问题,结合基于深度学习的智能故障诊断方法具有强特征提取能力和识别精度高等特点,本文提出基于模糊信息粒化和多尺度神经网络的故障诊断算法。在对输入的轴承噪声信号进行模糊信息粒化获得多尺度信息后,利用多个尺寸不同的卷积核搭建多尺度特征提取框架,增强CNN的空间特征表达能力,然后通过LSTM提取轴承故障信号中的时序信息,并将空间特征和时序信息相结合得到多层次特征,最后利用Softmax分类器实现故障分类。通过与其他深度模型对比表明该算法具有更好的诊断效果,并且在强噪声环境下具有良好的鲁棒性。