滚动轴承是旋转机械的重要零部件,被广泛应用于工业、航空航天等领域。滚动轴承是有寿件,在运行过程中由于疲劳、过载等可能导致轴承故障。因此,对滚动轴承进行状态监测和故障诊断,可保障滚动轴承及旋转机械安全稳定运行,防止人员伤亡并降低经济损失。本文在航空科学基金的资助下,以滚动轴承为研究对象,开展滚动轴承故障智能诊断方法研究。本文的主要研究工作及成果如下。（1）形态学滤波是目前应用于振动信号降噪的常用方法。针对此类方法存在结构元素（Structuring Element,SE）选择依赖人工经验的问题,提出了基于遗传算法的自适应形态学振动信号滤波方法。首先,仿真研究了不同形态学算子的滤波特性;然后,以最小包络熵为目标函数,采用遗传算法自适应确定组合形态高帽变换算子SE最佳参数;最后,在西储大学公开的滚动轴承振动数据集上进行实验,验证了基于遗传算法自适应SE的形态学滤波方法具有良好的适应性和抗噪性能。（2）针对故障样本数据量不均衡且远小于正常样本数据量,导致诊断精度低的问题,提出了基于带梯度惩罚项的瓦瑟斯坦生成对抗网络（Wasserstein Generative Adversarial Net-Gradient Penalty,WGAN-GP）的滚动轴承故障数据生成方法。首先,深入研究了多种生成对抗网络结构,设计了面向故障数据生成的WGAN-GP模型的生成器和判别器;然后,设计了基于WGAN-GP的滚动轴承故障数据生成流程;最后,在公共数据集上开展实验,生成的各故障样本数据与真实样本数据之间的欧式距离指标均小于0.12,皮尔逊相关系数、余弦相似度指标分别大于0.80和0.82,验证了所生成样本数据与真实样本数据高度相似,可用于样本数据集扩增。（3）针对现有一维卷积神经网络存在参数量大、抗强噪声性能不佳的问题,提出了基于1-D Inception-CNN的滚动轴承故障诊断方法。首先,基于Inception理论改进了一维卷积神经网络（One-dimensional Convolutional Neural Network,1-D CNN）,得到1-D Inception-CNN;然后,对其网络结构和参数进行了设计;最后,在公共数据集上进行了大量实验:1-D Inception-CNN网络对原始振动信号识别精度达99.76%,对自适应形态学滤波后的振动信号识别精度达99.95%;在训练样本数为900时,识别精度达98.73%;当训练样本中真实故障样本为300,通过增加WGAN-GP生成的600个故障样本,识别精度达98.32%;通过与现有故障诊断效果较好的方法进行对比,验证了1-D Inception-CNN网络在识别精度、抗高噪声性能及模型参数量等方面的优越性。