滚动轴承是大型机械设备的关键部件,这是因为滚动轴承的健康状态会影响整个大型机械设备的安全运转。一旦滚动轴承发生故障,则可能会导致设备宕机,带来不可估量的经济损失甚至安全事故。然而,由于严苛的工作环境以及其他一些不可控制的因素,滚动轴承的失效概率高。因此,研究滚动轴承的故障诊断对保障设备性能和预防重大事故具有重大的工程价值和学术意义。随着计算机软硬件技术的发展,滚动轴承故障诊断越来越趋向于以人工智能技术为核心的智能诊断。然而,不管是传统的智能诊断方法还是基于深度学习的智能诊断方法,基本上都采用了批量学习的方式。这种学习方式会浪费大量的时间和计算资源。鉴于此,本文提出了一种新的基于单类分类器和分类器组合的类别增量学习方法框架。并且在该框架的基础上,围绕定转速和变转速下的滚动轴承智能故障诊断问题开展了一些研究工作。本文的主要内容及创新点如下:(1)为了解决定转速下滚动轴承智能故障诊断问题,本文提出了两种基于类别增量学习的故障诊断方法。第一个方法是基于支持向量数据描述理论,需要人工提取特征。它在训练样本到超球体中心距离的基础上构建了一种支持函数,该支持函数可以将多个类别下的支持向量数据描述模型组合用于滚动轴承多故障分类。第二个方法是基于降噪自动编码器理论,能够自动学习特征。它在训练样本经降噪自动编码器重构后的重构误差基础上构建了一种支持函数,该支持函数可以将多个类别下的降噪自动编码器组合用于滚动轴承多故障分类。在高速列车轮对轴承11种故障数据上的实验结果验证了所提出方法在诊断准确率方面具有优势。(2)为了解决变转速下滚动轴承智能故障诊断问题,本文也提出了两种基于类别增量学习的故障诊断方法。这两个方法分别是在(1)中所述两个方法的基础上,对其中数据预处理步骤加以修改。针对第一个方法,在数据预处理过程中增加了标准化和基于离散小波变换的信号分解两个步骤,使其可以提取变转速下的滚动轴承振动信号特征。针对第二个方法,在数据预处理过程中增加了标准化步骤,使其可以去除转速变化对重构误差计算的影响。在机械故障综合模拟实验平台采集的变转速下4种轴承故障数据上的实验结果验证了所提出的方法在诊断准确率方面具有优势。