滚动轴承作为旋转机械的重要构成部分，是机械设备故障触发点最集中的位置之一。对于旋转机械而言虽然其有繁多的故障形式，但是滚动轴承引起的故障就约占其三分之一，所以滚动轴承能否正常的运行对整机性能有直接的影响。随着现代化建设步伐的加快，机械设备也向精密、高速、智能化方向发展，任何一处故障都会导致整个生产链条的瘫痪，从而带来难以估量的经济损失，因此对滚动轴承故障的研究也具有深远的意义。通过对其失效形式、故障的诊断、安装与维护的具体阐述，来概述滚动轴承故障诊断的发展前景。
1滚动轴承的失效模式
滚动轴承故障的诊断就是对其故障时失效模式的诊断。通过各模式的失效特征，对滚动轴承的故障诊断明确其故障位置和损伤程度，从而及时的更换轴承，避免机械重大故障的发生，降低经济损失。提早维护延长轴承的使用寿命。
滚动轴承按失效模式的形成分为两类：一类是以轴承元件的点蚀、裂纹、剥落和擦伤为损伤类的故障；一类是异物落入的磨料磨损或者润滑不良元件表面，直接接触造成磨损的磨损类故障。通过下表可以清楚的了解滚动轴承的失效模式及其产生的原因。
2滚动轴承的诊断方法
基于滚动轴承是旋转机械中不可替代的重要部件，继而对其研究的重要性也得到了显著的体现。我国从20世纪80年代开始对轴承的故障诊断方法进行研究，借助近几年来的计算机与智能化的快速发展，也给该领域提供源源不断的新的技术方法和先进的理论基础，让故障诊断进入一个崭新的时代。
滚动轴承的故障诊断最常见的方法有：振动分析法，噪声分析法，油样分析法，温度分析法，油膜分析法，声发射诊断法等。但是以实用、有效为出发点，振动分析法比其他的检测方法能更好的应用于滚动轴承的检测和故障诊断。在滚动轴承中常用的振动信号故障诊断方法有：
倒频谱分析（二次频谱分析）：通过对倒频谱与典型故障的振动信号功率谱对比分析，从而将复杂的频率成分和噪声区分出来，能较好的辨别故障特征频率。
时频特征参数分析：对时域的特征参数（有效值、峰值、峰值因子、峭度指标等）分析，来对滚动轴承进行诊断。
频域特征参数分析：通过描述功率谱中谱能量分布的分散程度和主频带位置的变化来描述信号的频域特征。
冲击脉冲法（广泛应用于工厂之中）：以轴承缺陷运行引起的脉冲性振动的强弱来反映故障的程度。
包络分析法SPM（目前诊断轴承和齿轮故障最有效的方法之一）：是一种滤波检波的振动信号处理方法。通过对振动信号滤波一解调一滤波，得到剩下包络之后的低频振动信号。
小波分析：能识别振动信号中的突变信号，可以有效的分析信号的奇异性，通过对振动信号进行不同层次的分解来得到信号的轮廓信息和细节信息，从而获得信号的本质信息及识别故障特征信号和干扰信号。
目前，利用滚动轴承振动信号实现故障检测与诊断主要有两个途径：
（1）机理分析一以随机共振和小波分析为常用方法。
随机共振方法：当噪声强度从小到大逐渐增加时，输出信噪比非但不降低，反而大幅度增加，并且存在着某一最佳输入噪声强度，使系统的输出信噪比达到一个峰值，此时输入信号、噪声以及系统非线性三者之间达到最佳的匹配关系，形成所谓的非线性系统的协作共振现象。该方法可以不用消除噪声，通过增加噪声强度来提高有用信号的比例，提高了信号的信噪比，从而提高信号质量和故障诊断的正确率。但是由于其输出结果具有随机性，从而借鉴遗传进化算法和免疫选择算法提出了基于遗传免疫粒子群优化的随机共振算法。
小波分析方法：非平稳信号分析的有效工具，但是由于信号检测时因为选择小波基函数的不同而造成结果差异，且构造理想的小波困难，从而提出了第二代小波变换。
（2）智能诊断一以神经网络和支持向量机为常用方法。
神经网络方法：以其特有的非线性适应性信息处理能力，推动人工智能与信息处理技术发展。从分布存储、并行处理、自学习、自组织以及非线性映射等优点出发与其他技术的结合，如在与小波分析等结合，提出了基于BP神经网络的智能诊断方法。