滚动轴承是旋转机械设备中最常用的零件之一,其工作状态直接影响到整个设备的运转。因此,对其进行故障诊断显得意义重大。随着大数据时代的到来,如何利用智能技术对滚动轴承进行故障诊断具有重要的现实意义。深度学习能够模拟人脑分层处理数据的方法,将低层、具体的原始数据提取为高层抽象的特征。通过深层结构从训练数据中学习复杂的非线性关系,从而实现对复杂数据分布的逼近。其具有强大的高维数据处理能力,多状态识别能力和对变工况的泛化能力。因此对于传统方法如支持向量机,BP神经网络等很难解决的大数据,变工况下的滚动轴承故障以及故障程度的多状态识别的问题非常适用。但如果低层原始特征数据所含特征信息较少或者不明显,就会大大降低状态识别的准确率。集合经验模态分解是一种自适应的信号时频局部化分析方法,它可以将任何复杂的信号分解成若干个本征模态函数。每一个本征模态函数都可以看作单分量信号,所以每一个模态都有其物理意义。而且每一个分量中都含有丰富的原始特征信息。结合上述两种方法,本文提出了一种基于集合经验模态分解与深度置信网络相结合的滚动轴承故障诊断方法。该方法首先对原始时域信号进行集合经验模态分解,然后对分解得到的前若干模态本征函数进行频谱变换,将变换后的分量依次连接,构建含有丰富特征信息的高维特征数据,将构建的高维数据以负载的不同分成若干个数据集作为深度学习的输入,用一种负载训练其他负载测试对滚动轴承进行故障诊断,该方法结合了深度学习对大数据强大的处理能力和对变工况的泛化能力以及多状态识别能力,较好的解决了在大数据变工况的前提下滚动轴承故障特征的多状态识别难的问题。