在旋转机械设备中,滚动轴承承担连接和固定任务,因此可以认为是该类型机械中的核心部件。但滚动轴承的实际运转环境中往往包含许多不利因素,其性能会受到一定影响,甚至出现损坏或失效。一旦出现这种情况而没有及时处理,会直接影响到机械设备的正常平稳运行,造成设备损坏,乃至于发生安全事故。故对该零件开展故障诊断有着重要的现实意义。本课题针对滚动轴承故障特征提取、故障特征在线降维筛选和故障分类等问题,研发出一套新颖的诊断技术,该技术包含三个步骤:首先,应用精细时移多尺度模糊熵（Refined Time-shift Multi-scale Fuzzy Entropy,RTSMFE）全面挖掘轴承信号的故障信息,构建出维数较高的故障特征集。接着,使用在线增量式降维方法—拓扑学习与在线映射算法（Topology Learning and Out-of-sample Embedding,TLOE）对高维故障特征集进行在线降维筛选,获取低维、易于辨识的特征集。最后,利用海洋捕食者算法优化支持向量机（Marine Predators Algorithm-based Support Vector Machine,MPA-SVM）对经过降维筛选的特征集进行故障分类,并通过实验对该方法有效性进行了验证。课题的主要工作如下:（1）为了全面挖掘出轴承信号的故障信息,将多尺度模糊熵（Multiscale Fuzzy Entropy,MFE）与时移、精细等思想相结合,研发出精细时移多尺度模糊熵（RTSMFE）来提取轴承故障特征。通过仿真和轴承数据证实了RTSMFE方法相较于多尺度模糊熵（Multi-scale Fuzzy Entropy,MFE）、时移多尺度模糊熵（Time-shift Multi-scale Fuzzy Entropy,TSMFE）等方法更具稳定性。（2）为了克服常用降维方法无法对增量数据进行在线降维的缺陷,提出将TLOE算法用于高维故障特征降维筛选,以此来去除高维特征存在的噪声等冗余信息,从而得到更为敏感、有效的低维故障特征。采用轴承实验数据进行了方法有效性的验证,并与常用的降维方法进行了对比。（3）为了实现更高精度的轴承故障诊断,通过海洋捕食者算法寻找出最佳SVM参数,然后再对低维故障特征进行识别分类。两组仿真实验和轴承实验验证了这一方法的优越性。（4）在前述方法的基础上,研发出一种基于RTSMFE,TLOE以及MPA-SVM的滚动轴承故障诊断模型。为了验证所提模型的有效性,使用滚动轴承数据进行故障诊断实验,结果证明了该方法的有效性与优越性。此外,使用本模型对行星齿轮箱故障进行诊断,验证了该模型的泛化性能。