滚动轴承是旋转机械设备中最常见的部件,其运行环境较为恶劣,导致轴承发生故障的频率较高,设备无法安全运行,所以,滚动轴承早期故障检测显得极其重要。滚动轴承振动信号具有非平稳、非线性、冲击性及调制性等特点,这就使得滚动轴承振动信号变得极其复杂,用传统的方法难以对其进行分析。在轴承发生故障的早期阶段,其振动信号通常具有故障信号微弱和信噪比低等特点。因此,如何更好的从采样信号中准确地提取出表征故障的特征信息,找寻性能良好的故障分类器,实现故障有效诊断,一直是滚动轴承故障特征提取及诊断研究的难题与热点。本文围绕典型滚动轴承设备的非平稳特征故障信号提取问题,从小波包分析方法入手,完成了滚动轴承故障特征提取和诊断研究。主要研究内容如下:(1)针对小波频率混叠问题,从小波滤波器固有的幅频特性、以及在重构和分解过程中隔点采样、隔点插零方面进行分析,理解学习单子带重构改进小波包算法。通过仿真实验和故障信号分析实验,验证单子带重构改进小波包算法的有效性,进而将该改进方法应用于故障诊断中。(2)从小波包阈值去噪入手,基于“3?”小波消噪和FCM分层阈值去噪提出了小波包相关阈值去噪方法,基于小波包系数和噪声系数进行阈值计算,并将小波包分解后的高频系数(能量较小的子带)当做噪声引入阈值计算中。(3)提出一种基于局部均值分解、单子带重构改进小波包相关阈值和奇异值分解的去噪方法(LMD-AWPT-SVD)。充分利用局部均值分解的优点,采用合理的指标选择PF分量,舍去有用信息较少的部分,保证故障特征信息不丢失;将文中的改进小波包阈值去噪作为奇异值分解的前置滤波器,通过奇异值差分谱来确定有用信号数目,从而确定有效秩,在保证保留较大奇异值的前提下,减少随机噪声和脉冲干扰,使得滚动轴承中故障信号的调制特性得以充分呈现,进而有效提取故障特征信息。(4)针对机械故障诊断中特征向量难以准确提取的问题,提出一种基于改进小波包能量熵与遗传算法优化支持向量机(GA-SVM)分类算法相结合的故障诊断新方法。利用单子带重构改进小波包分析法对故障振动信号进行分解,计算各个小波包分解系数能量熵,形成故障诊断的特征向量,把该特征向量作为输入,建立遗传算法优化SVM的故障诊断模型,实现滚动轴承不同部位的状态识别。