滚动轴承是机械设备中关键部件之一,主要用于支撑旋转体、减少旋转体在旋转过程中的阻力,广泛应用于车辆、机床、风电设备等领域。同时滚动轴承也是易损伤的部件之一,单个滚动轴承的失效直接影响到整台机械设备的运行性能,不可避免带来经济损失,甚至重大安全事故。因此,及时采用机械故障诊断方法找轴承故障所在,保障机械设备安全可靠的运行,具有十分重要的意义。本文以圆柱滚子轴承为研究对象,基于滚动轴承故障机理,进行特征信息提取、故障识别等方面的研究。本文的主要研究内容包括以下方面:(1)介绍滚动轴承的主要失效类型、故障特征频率。设计并搭建滚动轴承故障诊断实验台,进行故障模拟、采集并储存实验数据。建立圆柱滚子轴承在故障情况下的四自由度动力学模型,设计仿真程序,并对圆柱滚子轴承内外圈故障进行仿真,分析内外圈在故障状态下的振动特征。(2)介绍变分模态分解(VMD)的基本原理,与经验模态分解(EMD)进行对比,凸出VMD在抗模态混叠和抗干扰能力的优点,简述VMD参数对其分解效果的影响。针对VMD参数选取困难问题,采用基于复合指标与粒子群优化算法(PSO)相结合的参数优化方法,对VMD参数进行优化。通过外圈故障仿真信号的分析,验证了该方法从噪声环境中提取故障信息的有效性。通过圆柱滚子轴承各故障类型的实测数据的分析,验证了该方法能有效提取各故障类型的特征信息。(3)介绍时域、熵的特征参数,并介绍极限学习机(ELM)和核极限学习机(KELM)的基本原理。针对KELM参数选取困难问题,应用基于KELM模型的正确识别率与粒子群优化算法(PSO)相结合的参数优化方法,对KELM参数进行优化。应用VMD和KELM相结合的故障诊断方法,通过圆柱滚子轴承不同故障程度实测数据的分析,该方法取得较高的故障识别正确率和稳定性。