对于滚动轴承故障诊断，国内外很多学者开展了各种研究，提出了很多的方法。20世纪60年代中期，随着信号分析理论的发展，信号处理方法开始创新。尤其是在快速傅里叶变换fast Fourier transform，FFT)出现之后，开始使用各种常用频谱分析仪来诊断轴承故障。
随后，冲击脉冲（故障类型识别、抗干扰能力、稳定性较差）、共振解调（诊断效率低）等技术方法不断涌现。随着计算机与互联网技术的快速发展，信息处理与人工智能技术的应用，使得轴承故障诊断的智能性变为可能。虽然传统监测仪器和离线监测技术等仍在广泛应用，但计算机辅助的在线监测网络化模式，因其智能化与高效率，将是未来的趋势。
1、小波变换（wavelet transform，WT）：由于短时傅里叶变换在处理快速信号的不足，因此需要对窗口不能随频率变换而改变的问题进行突破，而小波变换实现了这点。小波变换是一种小波伸缩与平移的方法，通过研究变窗函数，形成了一种多分辨率分析的小波构造方法，广泛应用于信号提取、去噪和压缩。
2、经验模态分解(Empirical Mode Decomposition，EMD)：是能够更具信号本身进行自适应的处理方法，非常适用于滚动轴承的非线性非平稳故障信号的分析处理。为进一步解决EMD中存在的模态混叠等问题，N.E.Huang进一步提出了集成经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）方法。
3、模糊聚类：收集大量的机器各种运行状态下的数据集，与当前数据进行对比诊断，计算出和历史状态哪类更相似，把他们聚为一类，进行模式识别，诊断故障类型。
4、粗糙集：是一种通过对原始数据进行分析，发现其中所包含的规律，从而实现分析与化简的目的。
5、专家系统：所谓的专家系统本质上是一个智能程序。通过程序来对人类决策方式进行模拟，让专家系统仿佛具备人类推理与决策的能力。要想实现这一点需要对现有知识及经验进行融合，并运用人工智能等各种技术。
6、多源信息融合：因为对滚动轴承诊断的手段非常多，而每种方法都各有优势，因此，将不同的监测方法得到的数据进行融合，能对设备健康状况做出更加全面，更加准确的诊断，这即为多源信息融合的主要思想。
7、人工神经网络：一般需要结合传统的时频域分析方法，对它们所提供的特征集进行学习，从而达到对故障诊断的目的。
8、大数据：随着监测设备组规模的增加，每台设备所需的测量点数量增加，每个测量点的采样频率都很高。从服务开始到寿命结束的数据收集时间很长，导致机械设备故障诊断领域也进入了“大数据”时代。越来越多的数据，反应了轴承在各个状态下的情况，传统方法已很难对这样大的数据量进行处理，研究基于大数据处理在故障诊断中的应用也成为必然。
9、深度学习：深度学习在许多领域的成功应用使其显示出其他方法无可比拟的优势，也提出了滚动轴承故障诊断的新思路，目前也是研究热点。
随着对设备检测要求越来越多越来越高，非常需要有一套完整的、好用的、智能的、可靠的、系统的解决方案。故障预测与健康管理技术(Prognostics and Health Management，PHM)系统的出现，不论是在学术界还是在工业界，都有很多人在关注。PHM是将各种监测数据经过一系列处理，包括降噪、特征提取、健康状况评估及剩余寿命预测的一整套完善的系统。对于滚动轴承的健康管理系统来说，其包括对原始数据预处理、特征值选择与提取、故障模式识别、性能退化评估、性能趋势预测和提供维修决策等步骤。滚动轴承的PHM基本流程和常用方法见下图。
