在科技与现代工业飞速发展的今天,大型机械旋转设备广泛使用。一方面,集成化、智能化和网络化程度不断提高,机械结构日益复杂,这无形中增加了机械设备发生故障的可能性。另一方面,人民对机械旋转设备的寿命和质量不断提高要求。因此,及时预测、监控、诊断出设备故障,对于保障机械旋转设备的可靠运行,提高设备寿命和减少故障损失具有重要意义。滚动轴承是工业机械旋转设备的关键部件,它需要高可靠性安全运行。但是由于长时间恶劣环境下大负荷工作,机械故障时常发生,影响工业生产、增加成本与维修时间。因此,滚动轴承的安全性与可靠性对工业机械尤为重要。对滚动轴承故障及时的诊断,是保障安全性与可靠性的关键。所以滚动轴承故障诊断具有很大的研究价值与意义。本文的主要工作和创新性内容如下:(1)针对旋转机械轴系故障信号难以表征和识别的问题,深入研究了基于经验模态分解(Empirical Mode Decomposition,EMD)的振动信号处理技术,剖析其优缺点,使用此技术提取轴系振动信号的特征信息,对于其本身固有的端点效应,提出了基于近邻极值比较法来改善这一缺陷。该方法以端点处邻近的极值点和端点本身为基础,进行极值延拓,能够简单快速的锁定端点处局部极值,不需要复杂的算法和预测模型,有效地改善了端点效应带来的信号失真问题,提高了经验模态分解处理信号的准确性。并将该方法应用于轴系信号的特征提取,从而完成滚动轴承的故障特征提取。(2)运用神经网络进行数据延拓来处理端点效应得到了一定的运用,但由于训练输入样本较大,导致学习的时间代价高。另一方面,由于输入的样本中存在预测得到的值,用预测得到的值作为真实值再次去预测,无形中增大了预测结果的误差。为此,提出了BP神经网络极值预测法来改善这个问题。BP神经网络极值预测法用训练好的网络模型直接一次预测出端点处的极值,无需大量数据延拓预测,不仅提高了实时性,还保障了预测数据的真实性。以真实的振动故障信号进行试验,对改进方法进行验证,结果表明该方法对端点效应都有较好的改善效果,保障了信号经验模态分解的真实性。(3)运用经验模态分解完成的时频信号特征提取产生了大量的无效特征,严重干扰有效特征对故障的表征精度,影响了故障识别的时效性。而对于多种故障类别,尤其故障类别较多的时候,特征识别多种故障类别的有效性难以直接准确衡量。除此之外,运用一些算法进行特征选择后,往往存在特征之间相关性无法衡量造成的冗余问题。因此,为了充分应用经验模态分解特征提取的优势,同时又精确剔除无效冗余信息,提出一种靶向特征选择(Targeting Feature Select,TFS)模型。该方法首先通过EMD分析轴系信号得到故障特征全集。然后依据互差异性思想构建故障样本处理空间,分析两种故障类别之间的互差异性,与过滤式方法相结合,挖掘能够表征差异化的特征,得到对应的有效特征集合,这些特征与两种故障类别之间具有强的相关性。最后利用启发式搜索方法,通过建立启发式搜索规则,在每个有效特征集合中寻找能够最大程度降低其他故障组耦合的特征组合,从而保障对多种故障类别全局的识别效果,并结合最佳优先搜索策略(Best-First-Search,BFS)降低搜寻时间消耗。该方法既保障了任意故障类别之间特征的表征能力,又最大程度提高了优化特征子集中每个特征对全局故障识别的效果,同时,因为特征是从不同有效特征集合中的选取,避免了特征之间相关性造成的冗余的问题,进一步约减了特征维度。(4)Relief F算法在多种故障类别特征选择时能够筛选出与类别具有相关性强的特征,但是并没有考虑特征之间的相关性,所选的特征中难免存在分类能力相似的冗余特征,为了进一步约减对故障分类能力相似的特征,提出了Relief、Relief F权值动态结合的特征选择方法。首先,该方法利用Relief算法获取特征与两种故障类别的权重值,根据设定的阈值,筛选出各个两种故障类别分类的特征子集,并获得特征对全体两种故障类别分类的贡献率。然后,利用Relief F算法获取特征与多种故障类别的权重值并设定阈值。最后,建立权值动态结合规则,依据特征对全体各个两种故障类别分类的权值与贡献率结合多种故障类别分类的权值进行综合判断,筛选出符合条件的特征,剔除特征之间相关性强的特征,从而获取最终多种故障类别分类的特征子集。本方法具备Relief F系列算法的优势,同时增加特征筛选时的判定条件,以特征对全体每个两种故障类别的分类能力为补充进行特征综合判断,不单单以Relief F特征选择时的阈值摈除特征,解决了特征之间相关性无法衡量造成特征子集冗余的问题,从而彻底完成了特征选择任务。