滚动轴承作为旋转机械中应用最为广泛的关键部件,如果发生故障,将直接影响整个机械设备的运行状态。因此,深入研究滚动轴承故障诊断技术,对保证机械设备安全平稳运行、减少事故和经济损失等有重要意义。传统上,滚动轴承故障诊断的主要研究内容有四个部分:信号预处理、故障特征提取、故障模式识别以及决策与维护。其中故障特征提取和故障模式识别作为整个过程的重点和难点,对滚动轴承故障诊断与状态监测起着决定性作用。本研究以滚动轴承为研究对象,从振动信号入手,以精确提取滚动轴承故障特征信息和准确辨识其故障类型为目的,主要解决2个方面的问题:1)滚动轴承故障特征的精确提取;2)滚动轴承故障状态的准确识别。论文的主要研究内容及结果如下:(1)如何从含噪振动信号中准确提取微弱周期性故障特征是辨识滚动轴承局部故障的关键。针对此问题,提出一种基于二次聚类分割与Teager能量谱的滚动轴承微弱故障特征提取方法。该方法对原始振动信号的频谱进行两次聚类分割,选取最大峭度对应的频段作为通带过滤信号,并采用Teager能量算子对其时域信号进行解调分析。实验结果表明,该方法能准确有效地提取出滚动轴承微弱故障特征。(2)针对滚动轴承故障数据集包含高维非敏感特征信息的问题,提出一种基于核主成分分析与t-分布随机邻域嵌入结构信息融合的低维敏感特征提取方法。从时域、频域以及时频域多个角度提取信号的量化特征,构建初始高维特征集。再利用KPCA和t-SNE提取出具有高判别力的低维敏感特征。最后,以低维敏感特征子集输入到K-近邻分类器中的分类识别率和聚类分析结果作为衡量指标,对结果进行分析。~1通过与其它典型特征提取方法对比以及在变转速情况下的实验分析,结果表明了所提方法的有效性。(3)为了准确辨识滚动轴承的故障类型,提出一种基于量子粒子群优化多尺度排列熵和GG聚类的滚动轴承故障识别方法。首先,利用EEMD方法分解原始信号,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF分量来重构振动信号;然后,利用QPSO算法对MPE的关键参数进行优化,并通过优化得到MPE模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入到GG模糊聚类算法进行聚类识别。结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识。