玻璃生产线退火窑辊道系统轴承运行状态显著影响玻璃品质和生产效率，实时监测各轴承运行状态对确保退火窑系统的平稳运行具有重要意义，提出结合Inception 模块和长短期神经网络(Long Short-term Memory，LSTM)的迁移诊断方法，对退火窑辊道系统中的辊道轴承和通轴轴承运行状态进行监测、诊断。首先，使用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）对轴承信号进行分解和重构降噪，并利用直方均衡化增强重构信号小波时频图的聚集性。然后，针对样本充足的辊道轴承，建立Inception-LSTM网络，提取多尺度特征并学习其中的时间依赖关系，实现状态诊断。再次，针对转速不同且样本量少的通轴轴承，以辊道轴承信号为源域，以通轴轴承信号为目标域，以Inception-LSTM 网络为基础，使用多核最大均值差异(Multi-kernel Maximum Mean Discrepancies，MKMMD)减小分布差异，实现故障样本不平衡条件下的跨转速域不变特征提取和迁移诊断。最后，利用实验数据和实测数据验证本算法的有效性，结果表明，该方法能有效诊断出退火窑辊道系统轴承故障，且具有较高的准确率。

针对玻璃生产线退火窑辊道轴承振动信号存在强噪声污染，故障诊断准确率低，效率差等问题，提出了一种基于灰关联熵分析和敏感特征评估的辊道轴承故障智能诊断方法。首先，将原故障信号用经验模态分解为多个IMF分量，采用灰关联熵分析法筛选IMF分量并进行小波阈值降噪，重构故障信号。其次，选择时域和频域特征，定义基于故障特征类间、类内距离的敏感特征评估因子，筛选出敏感特征集。最后，使用RBF神经网络对故障特征集进行识别。滚动轴承故障测试实验结果表明，该方法能够有效提升故障轴承振动信号的信噪比，并评估筛选出敏感特征，从而实现对滚动轴承的智能诊断。