轴承是众多领域机械设备中的重要组件之一,工业生产中对轴承的运行状态进行实时监测是对生产事故防患未然、保证安全高产的必要手段。传统的轴承故障存在时频特征提取方式单一等问题导致观测不全面,而现有的流形学习降维算法在特征提取时存在对噪声敏感等问题。本论文建立了轴承振动信号张量模型,融合振动信号在不同子空间的关键信息,克服了传统故障诊断方法特征提取方式单一的弊端,以轴承振动信号的张量模型为基础,进行基于数据驱动的滚动轴承故障诊断工作,对局部线性嵌入算法进行了改进,从张量分解、利用光滑样条拟合实现初始特征的局部差异增强及初始特征的进一步降维等方面进行深入研究。具体研究内容如下:针对单一的信号处理方法无法实现对信号的全面观测及所蕴含信息进行充分提取的问题,本文采用张量建模的形式融合不同子空间信息。结合轴承振动信号的采集特点,为增强故障信号的固有频率特征,本文建立轴承信号的高斯高通滤波小波空间和相空间重构,构建轴承振动信号的高斯滤波小波-相空间张量模型(DWT-PSR)以提高不同频率信号的“对比度”。通过仿真实验证明对信号采用高斯高通滤波处理后再进行小波变换能够加大不同频率范围信号的差异,与其他张量建模方式进行对比证明了本文模型的合理性。针对轴承工作在高转速状态下采用高采样率导致所采信号存在大量冗余信息,增加了后续识别难度的问题,本文采用高阶奇异值分解(HOSVD)对张量模型进行分解,得到初步特征信号。为了消除初步特征信号中无意义极值点的干扰,提出采用光滑样条拟合对特征信号进行处理,并提出最优分类点指标对特征信号不同类型信息间差异进行度量。基于凯斯西储大学轴承数据集进行实验,证明了采用光滑样条拟合后的初步特征曲线既提高了精度,又加大了不同类型特征间的局部差异。针对处理大量现有离线数据和实时、快速处理新增样本的问题,考虑到对张量模型分解后进行光滑样条拟合取得的初步特征仍具有一定规模,本文提出了局部差异线性嵌入算法(LDMLLE),对初步特征进行进一步的维度约减。该算法在初步特征的最优分类点指标基础上,进一步求取了初始特征局部差异矩阵,将其与局部线性嵌入算法的近邻点矩阵加权求和,使全局距离与局部近邻同时作为维度约减标准。在LDMLLE算法中引入广义回归神经网络模型得到了LDMLLE-GRNN增量算法,实现轴承故障信息特征提取的在线处理。经与其他降维算法的实验对比,说明本文提出的增量算法在仅存在少量先验样本的情况下具有良好的实时处理能力,能够获得增量信号的显著低维特征。将以上研究成果与支持向量机(SVM)结合,提出一套完整的轴承故障诊断方法。将该方法应用到实验室中的轴承故障模拟测试平台中进行验证。实验结果表明,LDMLLE算法在考虑全局降维的同时又参考了最优分类点处的局部差异,具有更好的降维效果,增量算法采用少量先验样本即可对新增样本实现准确降维,具有实时处理的优势。