目前,随着中国朝着制造强国的目标逐步迈进以及大数据的迅速发展,制造行业正处于走向智能化的新阶段,智能制造技术成为未来制造业发展的重大趋势和核心内容。滚动轴承作为现代机械设备中的关键零部件,遍布于制造业各个方面,其可靠性水平影响和制约着行业的发展。对于滚动轴承的智能诊断和评估需求日益旺盛。如何实时而又快速的评估滚动轴承的可靠性并进行智能化的维护取得了众多学者的关注。传统可靠性评估方法应用条件严苛,并不适合滚动轴承的实时运行可靠性评估。并且大多数数据驱动的方法对于模型参数有较高的要求,方法普适性不强。本文中针对滚动轴承的运行可靠性进行方法研究,主要内容包括:(1)针对滚动轴承的故障模式识别,本文提出一种基于集成策略和堆栈式自编码器的故障模式识别方法,以滚动轴承运行时产生的振动数据数据为源,通过激活函数和训练数据的扰动构建基于堆栈式自编码器(Stacked Auto-Encoder,SAE)的基学习器;然后,通过查准率对基学习器各类别的分类性能进行评价;进而通过查准率对各基学习器的输出概率进行校正和筛选,最终实现对于滚动轴承的故障模式识别;通过轴承故障诊断案例,通过这种集成策略能够充分利用好各个基学习器对于每一类的分类能力,减少模型对于参数的设计,并将各个基学习器优势互补提高最终的分类精度。(2)针对滚动轴承可靠性评估问题,本文提出基于堆栈式自编码器的特征并行学习与筛选的滚动轴承运行可靠性评估方法。该方法将滚动轴承时域信号通过快速傅里叶变换转为频域信号作为特征并行学习模型的输入;之后通过编码解码激活函数不同和前后自编码器激活函数不同的方式构建多个特征并行学习模型;然后对于学习到的特征进一步通过相关性分析将特征进行分类,并筛选出每个类别之中的典型特征;最后通过基于马氏距离的可靠性定义方式评估滚动轴承运行可靠性。通过轴承运行可靠性评估案例,可以得出该方法能够有效地将与滚动轴承退化相关特征选择出来,并且评估结果能够良好的表现出轴承的退化趋势。(3)针对单一信号源无法全面的评估滚动轴承的性能退化趋势,提出基于深度耦合自编码器的滚动轴承运行可靠性评估方法。该方法以滚动轴承多源信号作为输入,用于分别训练多个模型。每个模型堆叠三个自编码分别提取数据中特征,最后一层加上耦合自编码器联合提取多元信号中的共同特征,并通过相似性度量的方式再次对整个深度耦合自编码模型进行网络微调;紧接着结合马氏距离的可靠性定义分别对滚动轴承进行运行可靠性评估;最后对于多个结果进行融合,得出最终的面向多源信号的运行可靠性评估模型。通过轴承的评估实例可以证明逐层贪婪的训练方式和基于特征相似度度量的整体模型微调可以有效地提取多源信息直接的相关特征,能够从多方面表征滚动轴承的运行可靠性。