對於滾動軸承故障診斷，國內外很多學者開展了各種研究，提出了很多的方法。20世紀60年代中期，隨著信號分析理論的發展，信號處理方法開始創新。尤其是在快速傅里葉變換fast Fourier transform，FFT)出現之後，開始使用各種常用頻譜分析儀來診斷軸承故障。
隨後，衝擊脈衝（故障類型識別、抗干擾能力、穩定性較差）、共振解調（診斷效率低）等技術方法不斷湧現。隨著計算機與互聯網技術的快速發展，信息處理與人工智能技術的應用，使得軸承故障診斷的智能性變為可能。雖然傳統監測儀器和離線監測技術等仍在廣泛應用，但計算機輔助的在線監測網絡化模式，因其智能化與高效率，將是未來的趨勢。
1、小波變換（wavelet transform，WT）：由於短時傅里葉變換在處理快速信號的不足，因此需要對窗口不能隨頻率變換而改變的問題進行突破，而小波變換實現了這點。小波變換是一種小波伸縮與平移的方法，通過研究變窗函數，形成了一種多分辨率分析的小波構造方法，廣泛應用於信號提取、去噪和壓縮。
2、經驗模態分解(Empirical Mode Decomposition，EMD)：是能夠更具信號本身進行自適應的處理方法，非常適用於滾動軸承的非線性非平穩故障信號的分析處理。為進一步解決EMD中存在的模態混疊等問題，N.E.Huang進一步提出了集成經驗模態分解（Ensemble Empirical Mode Decomposition, EEMD）方法。
3、模糊聚類：收集大量的機器各種運行狀態下的數據集，與當前數據進行對比診斷，計算出和歷史狀態哪類更相似，把他們聚為一類，進行模式識別，診斷故障類型。
4、粗糙集：是一種通過對原始數據進行分析，發現其中所包含的規律，從而實現分析與化簡的目的。
5、專家系統：所謂的專家系統本質上是一個智能程序。通過程序來對人類決策方式進行模擬，讓專家系統彷彿具備人類推理與決策的能力。要想實現這一點需要對現有知識及經驗進行融合，並運用人工智能等各種技術。
6、多源信息融合：因為對滾動軸承診斷的手段非常多，而每種方法都各有優勢，因此，將不同的監測方法得到的數據進行融合，能對設備健康狀況做出更加全面，更加準確的診斷，這即為多源信息融合的主要思想。
7、人工神經網絡：一般需要結合傳統的時頻域分析方法，對它們所提供的特徵集進行學習，從而達到對故障診斷的目的。
8、大數據：隨著監測設備組規模的增加，每臺設備所需的測量點數量增加，每個測量點的採樣頻率都很高。從服務開始到壽命結束的數據收集時間很長，導致機械設備故障診斷領域也進入了“大數據”時代。越來越多的數據，反應了軸承在各個狀態下的情況，傳統方法已很難對這樣大的數據量進行處理，研究基於大數據處理在故障診斷中的應用也成為必然。
9、深度學習：深度學習在許多領域的成功應用使其顯示出其他方法無可比擬的優勢，也提出了滾動軸承故障診斷的新思路，目前也是研究熱點。
隨著對設備檢測要求越來越多越來越高，非常需要有一套完整的、好用的、智能的、可靠的、系統的解決方案。故障預測與健康管理技術(Prognostics and Health Management，PHM)系統的出現，不論是在學術界還是在工業界，都有很多人在關注。PHM是將各種監測數據經過一系列處理，包括降噪、特徵提取、健康狀況評估及剩餘壽命預測的一整套完善的系統。對於滾動軸承的健康管理系統來說，其包括對原始數據預處理、特徵值選擇與提取、故障模式識別、性能退化評估、性能趨勢預測和提供維修決策等步驟。滾動軸承的PHM基本流程和常用方法見下圖。
