轴承是机械设备中的重要核心部件和故障源之一,滚动轴承状态检测和诊断对于避免机械系统的灾难性故障非常重要。随着大数据时代到来,基于机器学习的轴承智能诊断方法得到大规模应用,目前智能诊断方法主要是基于机器学习中的判别式模型。然而,随着滚动轴承应用场景更加广泛,设备面临的工况日趋复杂,判别式模型不能很好地适应动态变化。为解决此问题,本课题提出了基于混合高斯分布的生成式轴承故障诊断模型及其统计推断方法。针对生成式诊断模型选择问题,通过分析故障特征分布,提出采用混合高斯分布作为生成式诊断模型;针对生成式模型高维复杂且难以推断精确分布的问题,本课题提出采用基于Gibbs抽样的生成式诊断模型统计推断方法,通过随机抽样得到分布;针对Gibbs抽样统计推断方法收敛速度慢的问题,本课题进一步提出采用基于变分贝叶斯的生成式诊断模型统计推断方法,变分贝叶斯利用先验信息构建分布,该方法在保证准确率的前提下进一步提高了收敛速度。对于待诊断的故障数据,结合生成式诊断模型和贝叶斯定理实现故障的准确诊断。通过采用滚动轴承公开标准数据集和中国铁路实际数据分析表明,基于Gibbs抽样统计推断得到的生成式诊断模型与基于支持向量机的诊断模型相比,故障诊断正确率提升了11.1%。基于变分贝叶斯统计推断得到的生成式诊断模型同样可以取得理想的诊断正确率,并且相比基于Gibbs抽样方法大幅减少了迭代次数,收敛速度优势明显。本课题实现较高的诊断率并且收敛速度快,具有重要的实际意义,该方法可以推广应用到其他故障诊断领域。