针对强噪声导致滚动轴承振动信号故障特征不明显的问题，提出一种结合自适应最大2 阶循环平稳盲解卷积（Maximum Second - order Cyclostationary Blind Deconvolution，CYCBD）与可微架构自搜索（Differentiable Architecture Search，DARTS）的故障诊断方法。首先将模糊熵作为鲸鱼优化算法的适应度函数进行CYCBD滤波器长度寻优，并以峭度-包络谱峰值为综合指标对循环频率进行步长寻优，从而实现自适应CYCBD降噪；然后引入DARTS算法实现滚动轴承故障识别模型的自构建；最后通过滚动轴承公开数据与实验数据验证多域强噪声环境下自适应CYCBD-DARTS故障诊断方法的有效性。

针对滚动轴承信号在强噪声背景下故障特征提取困难的问题，提出一种变分模态分解(Variational ModalDecomposition，VMD)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution，MCKD)相结合的故障诊断方法。首先基于VMD方法选取故障信号的最优模态分量，然后采用MCKD算法增强最优分量信号中的冲击成分，最后通过包络谱分析提取滚动轴承的故障频率。利用粒子群优化算法(Particle Swarm Optimization，PSO)对VMD算法中的参数α 和K以及MCKD算法中的参数L和M进行寻优，并对PSO算法中惯性因子和学习因子的更新方法加以改进，以提高参数寻优过程的收敛速度。仿真分析和试验结果表明，所提出的诊断方法可以有效提取被强噪声淹没的滚动轴承故障特征。

针对井架钢结构冲击载荷振动信号非线性、非平稳性对损伤识别的干扰问题，提出了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition，HVD)与遗传算法优化的神经网络(Genetic BP Neural Networks，GA-BP)相结合的智能故障诊断方法。首先，利用HVD分解的方法处理冲击载荷作用下的加速度非平稳振动信号；其次，由斯皮尔曼相关系数选取HVD分解后的最优(Intrinsic Mode Function，IMF)分量，以最优IMF 分量能量变化率构造特征向量；最后，通过特征向量建立数据集进行神经网络训练，完成信号的特征学习和故障分类。利用ZJ70 型井架钢结构模型进行冲击载荷作用下的单处损伤和多处损伤的不同工况实验验证，结果表明：对于单处损伤位置识别率达到90 %，多处损伤位置识别率高达96 %，利用HVD分解与GA-BP神经网络相结合的方法具有较好的稳定性，能够准确判断出井架钢结构损伤位置，具有一定的实际应用价值。

针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题，提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy，MPE)与核极限学习机(Kernel extreme learning machine，KELM)相结合的故障诊断方法。首先，使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化；其次，计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量；最后，利用KELM对滚动轴承进行故障分类。结果表明，参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断。

为了解决轴承故障诊断数据样本量少，背景噪声干扰大和准确率不高的问题，提出一种基于奇异谱分解(Singular spectral decomposition，SSD)和两层支持向量机(Two-layer support vector machines，TSVM)的轴承故障诊断方法SSD-TSVM。该方法首先采集信号构建信号矩阵，然后对矩阵进行奇异谱分解，得到奇异谱分量(Singular spectralcomponent，SSC)和残差。根据改进的峭度准则选取奇异谱分量，进行矩阵重构，完成重构后进行特征提取，生成特征向量矩阵作为TSVM的输入。在输入层完成降维处理生成新的特征向量矩阵，在输出层进行轴承故障类型分类。最后分别采用西储大学公开轴承数据集和实验室风机轴承数据集进行验证。与多种其他故障诊断方法对比表明，SSDTSVM方法在轴承故障诊断方面具有更高的准确率。

由于提取滚动轴承的非平稳非线性信号特征较为困难，强噪声背景下难以诊断早期故障，故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition，LCD)和核极限学习机(Kernel Extreme Learning Machine，KELM)的智能诊断方法（LCD_KELM）。该方法首先对信号进行LCD分解，将其分解成多个內禀尺度函数（Intrinsic Scale Component ,ISC），选取包含有效频率成分的ISC并计算其近似熵值(Approximate Entropy，ApEn)，使用KELM对随机选取的近似熵值进行训练，保存训练参数后，利用剩余的近似熵值进行测试，实验结果表明LCD_KELM具有较高的诊断准确率，能够对滚动轴承运行状态进行高精度诊断，从而判断滚动轴承的运转状况。