滚动轴承是众多旋转类机械设备的关键部件,对滚动轴承进行状态监测与故障诊断,可有效提高机械系统的维修性和安全性,降低因滚动轴承故障造成的人员和经济损失。通过分析滚动轴承监测振动信号,可实现对多类滚动轴承的故障诊断。本文对滚动轴承故障产生机理、滚动轴承的监测振动信号特征提取方法、故障诊断方法进行了研究。针对基于小波包分解的故障特征提取和特征参数选择问题,对基于小波包分解的两种故障特征参数提取方法进行应用分析研究。依据收集的滚动轴承振动信号数据,应用小波包分解分别提取了小波包频带能量特征和小波包频带样本熵特征,并进一步采用支持向量机(SVM)方法对滚动轴承进行故障诊断,重点分析了两种故障特征参数的适用性和影响因素。诊断结果表明,采用小波包能量特征参数对滚动轴承早期轻微故障的诊断效果较好,而小波包样本熵特征参数在滚动轴承严重故障的诊断方面更有优势。为进一步提高支持向量机(SVM)模型在滚动轴承故障诊断中的准确率和精度,提出一种非线性惯性权重粒子群算法优化SVM(IPSO-SVM)的滚动轴承故障诊断方法。依据收集的滚动轴承振动信号数据,采用改进粒子群算法(IPSO)优化SVM模型参数,并根据优化的SVM模型进行滚动轴承故障诊断。与基于粒子群算法优化的SVM模型(PSO-SVM)、基于遗传算法优化的SVM模型(GA-SVM)等方法对比,表明本文提出的基于IPSO-SVM的滚动轴承故障诊断方法提高了故障诊断的效率和准确率。