在各种类型机械设备中,滚动轴承的应用最为广泛,具有十分重要的地位。考虑到滚动轴承故障诊断的研究背景及国内外研究现状,本文基于滚动轴承信号的混沌特性,提出基于相空间重构相图深度信念网络的滚动轴承故障诊断方法。通过相空间重构相图提取故障特征,结合深度信念网络(DBN)分类器对滚动轴承故障进行诊断。首先,分析了混沌特性及相空间重构理论。根据混沌吸引子及相空间重构的理论,对信号相空间重构时相关参数的选取方法进行探讨,简要介绍了复自相关法,互信息法,虚假近邻点法,CAO方法,饱和关联维数法,最后选用更加简单高效的联合求参C-CMethod算法对相空间重构时的参数:延迟时间和嵌入维数8)同时进行选取。其次,在几种不同混沌统计量及混沌特性分析的方法的基础上,利用计算最大Lyapunov指数的方式证明滚动轴承信号具有混沌特性。进而提出了一种基于相空间重构相图的特征提取方法,通过混沌动力学系统Lorenz、Duffing、Rossler方程的重构后在X-Y平面上相图差异性证实了该特征提取方法的有效性,通过对比不同损伤位置,不同损伤程度,同种损伤程度3种不同的轴承故障信号相图,利用感知哈希算法对相图的相似性进行检测。实验结果证明了该特征提取方法的可行性。再次,研究了基于深度信念网络(DBN)的故障诊断方法。受限玻尔兹曼机(RBM)通过对比散度算法快速训练RBM,从而拟合训练样本的分布。DBN通过半监督学习方式来训练网络,以无监督预训练方式从下到上训练RBM,从低阶数据特征中获取高阶数据特征,再从上到下对每层RBM参数进行有监督微调,避免网络陷入局部最优的缺点。并讨论了DBN模型参数设置的影响,通过对轴承小样本故障数据进行实验,分析网络层数、隐层神经元数目、学习率和迭代次数等相关参数对误差率、训练时间的影响,选取合适的参数将提高模型诊断效果。最后,将美国凯斯西储大学滚动轴承故障数据作为研究对象,将相空间重构相图提取轴承故障特征与DBN相结合,构建基于DBN的滚动轴承模型诊断方法。分别从滚动轴承不同损伤程度、不同故障部位和十种故障混合进行诊断分析,实验结果表明,基于相空间重构特征提取方法具有有效性并结合DBN进行故障诊断。通过准确率、召回率和F值等评价指标综合判断模型效果,得出了DBN模型在多分类任务中诊断效果更好。将本文方法应用于上海宝钢实际采集的信号分析,取得了很好效果。