滚动轴承是旋转机械的核心部件,其工作状态几乎决定了整个机械装置的运行状况。旋转机械的故障中70%为轴承故障,因此滚动轴承故障诊断一直以来都是旋转机械故障诊断的热点问题。然而机械系统结构复杂,部件繁多,导致了传统的基于振动的诊断方法在复杂工况下故障诊断可靠性差、准确率低。本文对滚动轴承振动信号进行分析处理,结合盲信号分离和机器学习技术,研究复杂工况下轴承故障信号的提取及故障识别问题,提高滚动轴承故障诊断的可靠性和准确率。论文的主要创新点包含以下几个方面:(1)针对旋转机械设备中多类振动源共存情况下的轴承故障信号提取问题,论文基于等变化自适应分离算法,提出了一种独立分量分析中非线性函数自适应选择的方法,该方法对每一路分离输出信号自适应地选择相应的非线性函数。仿真结果表明,相比于等变化自适应分离算法,论文提出的方法解决了多个非同类振动源共存情况下分离失效的问题,具有更好的分离性能和成功率,实现了轴承故障信号的盲提取。(2)针对自适应盲分离算法稳态误差和收敛速率的平衡问题,论文引入了模糊逻辑系统,提出了基于模糊逻辑的自适应迭代步长选择方法,该方法能够按照分离信号的独立性程度和迭代所处阶段实现迭代步长地自适应选取。仿真结果表明,相比于采用固定步长的盲分离算法,基于模糊逻辑的步长选择方法具有更快的收敛速度和更高的稳态精度。(3)论文将轴承故障按照缺陷位置分为4类,针对使用幅域参数构建多维特征向量对于故障类别进一步检测效果欠佳的问题,根据4类故障对应的振动信号特点,设计了滚动轴承故障信号多维特征提取方法,结合支持向量机进行轴承故障诊断。仿真结果表明,论文方法在美国凯斯西储大学轴承数据集上取得了99.3%的分类准确率,相比于仅使用幅域参数的方法,在两种支持向量机超参数寻优方法下均具有更高的分类准确率,达到了良好的诊断效果。