滚动轴承在实际运转中由于环境的影响，导致其受到冲击与磨损会出现各种各样不同的故障。工业中往往采用传感器采集振动数据来对其进行监控，但是这些数据往往具有样本大，种类多，标签不明显的特点。如果人工进行判断和诊断，数据标记时间周期长，并且无法将会耗费人力资源，并且造成经济损失。
文章目录
前言
滚动轴承是核心部件的组成部分之一，往往被称为“机器工业关节的主要构成者”。它常常在风力发电机，航空电机中担任着传动部件的主要支撑者。
一、引言
下图展现了轴承在这些系统中的应用。这些工业系统往往暴露在露天的情况下进行运作，再附加上运作时各种不确定因数的影响导致其工况具有极大的变化性。各种部件在这种变载荷变工况的情况下，极大的提高了发生故障的概率。而滚动轴承在这些系统中承担着传递载荷和支撑载荷的作用，它相对于其他部件的故障率高达 40%。滚动轴承发生故障之后将会引发一系列事故，若故障程度较轻，则会造成传动部件所有的零件受到冲击导致损坏而停机，造成经济损失，经济损失的大小则是根据任务的重要性判断，往往每一个任务造成的经济损失都是不可估量的。而故障程度严重时，若未即使更换零件，会导致整个机器设备受到影响。严重时可导致传动部件断裂从而造成极大的安全事故。因此如何对轴承进行故障监测与诊断是非常必要的。
二、异常检测与故障诊断
异常检测主要是对其进行状态监测判断滚动轴承有无出现异常工况。在这个阶段不需要精确的诊断他的故障是哪一类型，只需对其进行异常的检测与区分即可。故障诊断则需要对数据精确的故障定位，判断轴承具体出现了哪一类故障。
在传统的人工判断阶段，往往采用最原始的观察法进行判断。通过人为的听声，来判断滚动轴承在不同工况运作时的不同声响，具有经验的工人往往能够判别诊断。往后发展，一些电子诊断工具的出现稍微改良了这一种传统方式。在信号处理阶段，随着技术的不断革新，检测方法进行改良后出现了温度分析法、油样分析法、以及振动法,其中振动法的检测最为突出。振动检测法中又分为了简易诊断和精密诊断。这两种诊断需要用到信号分析的各种方法。简易诊断主要运用时域分析法，通过判断它的各种特征指标来进行粗略判断。精密诊断法主要为频谱分析法，通过将信号转换为频域并绘制频谱图对比其的特征频率来完成诊断，在之后又出现了各种改进消噪，提取特征的方法，比如 EMD 分解、希尔伯特-黄变换绘制包络谱、小波包分解。
三、人工智能方法
在现阶段，由于采集数据的大量增加，机电装备已经进入了大数据时代。与此同时轴承的数据也跟着大量增加，传统的方法明显不适用于这一“大数据”的背景时代。因此滚动轴承的故障检测和故障诊断也同时进入了以大数据为基础的人工智能时代。