印刷设备轴承的故障诊断对保证印刷机良好运行具有重要意义。轴承作为印刷设备的传动支承部件,长期工作在受力不均匀、摩擦、发热等恶劣的环境下,容易出现磨损、内外圈破裂、滚珠破裂等故障。考虑到印刷机工作状态下,往往伴随着较大的背景噪声,早期故障轴承的信号属于微弱信号,较难检测,本课题采用周期势随机共振方法,通过利用噪声增强轴承的故障特征,可以从振动信号中较准确地识别轴承的微弱故障。具体研究内容如下:针对传统的双稳态随机共振存在的输出饱和缺陷,本文研究并建立了周期势随机共振系统模型。该模型系统参数可独立调节、互不影响,因此可有效避免输出饱和现象。为克服传统随机共振仅满足于小参数条件,研究了变尺度周期势随机共振用于大频率下的故障检测,利用仿真信号验证了本文方法的有效性。针对传统随机共振在故障频率未知的情况下,实现随机共振较为困难的问题,本文提出一种基于灰狼优化算法的自适应周期势随机共振的轴承故障检测方法。该方法以输出信噪比作为优化指标,可自适应的实现轴承故障检测,仿真信号和实验信号均验证了本文方法的有效性,诊断结果表明所提方法不仅能有效的识别故障频率,且获得了较大的输出信噪比,展现出较强的故障提取能力,具有一定的工程实用价值。针对传统智能诊断方法为浅层模型,通过数据学习的特征有限,在处理复杂故障时能力不足的缺陷,本文提出—一种基于周期势随机共振和深度置信网络的轴承故障识别方法。所提方法利用周期势随机共振增强了故障数据的特征,然后分组输入至DBN深层次网络模型中进行训练。故障诊断结果表明,基于PSR-DBN方法的训练准确率达到98.65%,测试准确率达到98.32%,展现出本文研究方法具有较强的故障识别能力。