轴承是旋转机械中最重要的零部件之一,常处于高速重载的恶劣环境,是最易出现故障的零部件,成为故障诊断技术的主要研究对象。当前的故障诊断技术尚无法完美解决实际生产中的各类问题,仍存在许多亟待解决的关键性难题。故障特征增强技术是故障诊断的基础,直接决定着后续诊断结果的准确性。当前的故障特征增强技术如最小熵解卷积、谱峭度等方法还不够成熟,尚不能满足实际生产需求,国内外学者在完善这些算法的同时也期待新方法的提出以突破现有的技术瓶颈,这对故障诊断技术的发展有着极其重要的意义。本文在分析国内外故障诊断技术研究现状的基础上,主要针对滚动轴承振动信号的诊断,深入探究了非局部均值算法(Non-local Mean,简称NLM)在轴承故障诊断中的应用可行性问题,旨在为故障诊断技术提供一种抗噪性能好、诊断能力强的故障特征增强新方法和新技术。针对非局部均值算法的一维化问题,本文在应用于二维图像数据处理的非局部均值算法的理论基础上,提出将该算法利用像素与结构自相似性加权平均以消除噪声的原理借鉴至滚动轴承的故障数据处理中,实现非局部均值算法的一维化。同时针对滚动轴承的故障诊断,提出了基于NLM的滚动轴承故障诊断模型,实验室轴承故障数据分析表明,该算法能够较好地消除信号中的背景噪声干扰,挖掘出表征轴承故障信息的异常冲击特征。针对非局部均值算法的数据处理结果受参数影响严重的问题,提出将粒子群算法(Particle Swarm Optimization,简称PSO)引入到NLM的决定性参数λ、M和P的寻优求解。选用NLM滤波后信号峭度的倒数为目标函数,通过设定目标函数阈值及最大迭代次数条件来获取NLM滤波器最优参数,从而构成最优滤波器实现NLM算法的自适应。自适应NLM算法的提出能够解决算法参数随机性的问题,可增强算法的数据处理效果。这为NLM算法的后期应用和推广做出了有效铺垫,拥有十分重要的应用价值。针对非局部均值算法处理低信噪比信号时出现的故障冲击均值化问题,提出权重包络谱诊断方法。该方法以NLM算法为基础,以算法中的加权运算为核心,提出直接以信号NLM加权运算后得到的权值分布曲线作为信号的包络线,从信号样本点权重的角度压制噪声干扰以凸显信号中的异常故障脉冲,最后对权值分布曲线包络谱分析得到最终的诊断结果。以滚动轴承仿真数据和实验室数据为例,衡量了权重包络谱诊断方法的性能。结果表明,权重包络谱诊断方法直接以信号权重为研究对象,比NLM诊断方法省略了滤波、平均化操作及包络计算过程,不仅提高了计算效率,而且能够有效避免NLM诊断方法的均值化问题,适用于处于低信噪比信号的数据处理,能够弥补传统NLM算法的缺陷。针对权重包络谱诊断方法处理早期微弱故障数据效果不佳的问题,提出结合其他优势算法,融合两者算法优势,实现算法之间的“优势互补”。权重包络谱诊断方法依赖于信号点加权运算后的权重相异性,即故障点与噪声点的相异性,两者差异越大则诊断效果越好。因此,提出将最小熵解卷积(Minimum Entropy Deconvolution,简称MED)、谱峭度(Spectral Kurtosis,简称SK)和小波包分解(Wavelet Packet Decomposition,简称WPD)等方法引入到信号的预处理中以初步消除噪声,增大故障点与噪声点的相异性,再通过权重包络谱诊断方法二次消噪,进而增强故障冲击特征的凸显程度。大量数据处理结果表明,该类融合算法可有效解决权重包络谱诊断方法的缺陷,能够提取出早期微弱故障数据中的故障信息,这为滚动轴承的故障特征提取技术提供了一个新的研究方向。最后简要阐述了虚拟仪器的基本概念,并依托Lab View开发平台设计了基于虚拟仪器技术的智能故障诊断系统软件。该软件主要包括数据采集及滤波、时域分析和频域分析三大部分。用户可通过系统中的振动数据特征参数对比、时域及频域分析结果获取振动数据信息,实现滚动轴承运行状态的实时监测及故障诊断。这为滚动轴承故障诊断技术及NLM算法的工程化实现提供了一定的参考思路。