滚动轴承是旋转机械中重要的元器件之一,其作用是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦。轴承失效是旋转机械发生故障事故的主要原因之一,所以近年来滚动轴承的故障诊断一直是备受关注的研究课题,对机械设备故障诊断管理的研究同样具有重要的理论意义和实际应用价值。随着计算机技术和信号处理技术的发展,越来越多的新方法被引入到滚动轴承故障诊断领域,本文所采用的研究方法是基于小波分析和支持向量机,两种方法相结合以实现对滚动轴承故障类型和故障程度的综合诊断。首先利用信号处理技术中的小波分析对数据采集系统所采集的原始振动信号数据进行降噪处理并提取出有效的故障特征向量,然后发挥机器学习算法中支持向量机(Support Vector Machine,简称SVM)理论在小样本量空间分类中所具有的明显优势,最终提出基于小波分析和支持向量机相结合的滚动轴承故障诊断方法。本文完成的主要工作如下:1、介绍了滚动轴承的振动机理、失效模式和相关检测技术,分析比较了滚动轴承常用检测方法的优缺点,采用测量滚动轴承的振动信号数据进行轴承的故障诊断,进而研究了滚动轴承的振动机理和特征频率;2、在小波理论各类分析方法的基础上,研究了小波变换在信号降噪、特征提取等方面的应用,并且以仿真分析的形式进行了验证。通过比较不同小波基和分解层数的小波信号的信噪比进一步确定了本次实验所采用的是db6小波基,分解层数为4。选择小波分解后信号在各频带上能量的分量所组成的向量为特征向量,并绘制各频带上能量的分量比例图,通过多组比较发现当轴承内圈发生故障时,能量主要集中在第一频带,其他频带也有一定分布;当轴承外圈发生故障时,能量主要集中在第一和第二频带,其他频带也有一定分布;当轴承滚动体发生故障时,能量几乎只集中在第一频带,其他频带上分布的很少;正常状态下的轴承能量在各频带上的分布较为平均这一能量分布规律,说明特征向量的选取对故障类型的识别有效;3、本研究提出了一种双层回归型支持向量机的滚动轴承故障诊断方法。与许多其他研究的传统分类方法相比,本研究不仅旨在识别不同的轴承故障模式,而且还评估了它们缺陷的大小。该方案在实践中更有意义,因为轴承的使用寿命曲线前期比较平稳光滑,只有在末期才出现陡增的情况。根据上述说明,所提出的方案涉及从振动信号中提取代表性统计参数,识别第一层中的轴承工况,并且一旦在第一层中识别到故障模式,就预测第二层中的故障程度。实验表明该方法在故障类型识别上的整体准确度达到90%以上,在滚动轴承各类缺陷大小的判定上也有不错的效果。综上所述,本文所研究的基于支持向量机的滚动轴承故障诊断方法是可行的,分析和诊断结果与实际吻合,能够满足滚动轴承故障诊断的要求,对滚动轴承的故障诊断具有一定的指导作用。