滚动轴承作为旋转机械设备的关键部件之一,广泛应用于各个领域,其运行状态会直接影响整个机械设备的工作性能。由于滚动轴承的工作环境恶劣,长期承受交变载荷的作用,所以极易损坏,同时采集到的轴承振动信号往往包含多种干扰成分,影响故障诊断的准确性。为了提高轴承故障诊断的精确性,本文对Morlet小波和尺度空间理论进行了深入研究,提出了一种快速、有效的轴承故障诊断方法,准确的找出了轴承的故障类型,实现了轴承故障诊断。本文主要工作内容如下:首先,介绍了滚动轴承故障诊断国内外的发展现状,总结了目前滚动轴承振动信号的处理方法,并分析各方法在处理信号时存在的问题。概括了滚动轴承的基本组成结构及常见的失效形式,对其振动机理进行了研究,并给出了滚动轴承不同部位故障特征频率的计算公式。其次,详细介绍小波变换(Wavelet Transform,WT)的基本理论和性质,研究伸缩因子a和平移因子b的变化对小波函数时频窗的影响;给出Morlet小波的定义和函数表达式,研究形状因子?和中心频率f_c对Morlet小波时域和频域波形的影响,同时用形状因子和中心频率推导出Morlet小波的滤波范围;基于时域卷积定理和Parseval定理,推导Morlet小波变换系数的快速计算方法。Morlet小波可视为一个带通滤波器,其分解效果严重依赖中心频率和带宽,即预设的频带边界。尺度空间可以对信号的频带边界进行自适应划分,故引入尺度空间划分频带边界。分别从连续尺度空间、离散尺度空间和频带边界划分三个部分详细介绍尺度空间理论(Scale Space,SS),同时提出一种Morlet小波与尺度空间的轴承故障诊断方法(Scale Space Morlet,SSM),并用仿真信号验证该方法的有效性。结果表明,该方法能找到轴承故障的特征频率,但在识别轴承故障信号中的共振频带时,尺度空间存在过划分问题,从而丢失故障信息。最后,为解决尺度空间过划分问题,提出尺度空间优化谱的方法。对信号频带边界进行更准确的划分,并引入相关峭度(Correlated Kurtosis,CK),把包络相关峭度(Envelope Correlated Kurtosis,ECK)作为评价指标来识别故障信号的最优共振频带,提出了尺度空间优化谱包络相关峭度(Scale Space Optimal Spectral Envelope Correlated Kurtosis,SSOSECK)的方法。用仿真信号和实测数据验证了该方法的有效性,并且与谱峭度(Spectrum Kurtosis,SK)进行了对比,结果表明,本文所提出的方法可以准确的识别出轴承单一和复合故障的共振频带,实现轴承故障诊断,诊断效果明显优于传统谱峭度方法。