在石油化工行业中,旋转机械设备的结构与组成变得越来越复杂。目前,石化机组日益趋向于大型化、高速化、自动化,在旋转机械故障诊断中,信号处理、模式识别、人工智能等方法大大提高了工业系统的稳定性和安全性。但是由于石化机组所处的环境比较复杂,影响现场的因素很多,具有较大的不确定性特点。因此,在实际工业石化现场故障诊断中,依然存在着故障诊断误诊、漏诊,及准确度不够精确等问题。在旋转机械中,滚动轴承的应用最为广泛,也是极易发生故障的零件之一。轴承故障的恶化不仅会降低机组的稳定性,严重的故障也会带来意外的停机和人员伤害等事件,严重影响工业生产作业。因此,开展石化机组轴承的故障诊断研究能够在早期发现故障并提出合理的维修方案排除潜在故障,具有非常重要的现实和理论意义。本文以石化机组的滚动轴承为研究对象,1)介绍了滚动轴承的振动特性、故障机理、以及单点损伤故障诊断理论模型;2)分析了小波变换、BP神经网络、D-S证据理论等方法的应用;3)并具体研究了石化机组滚动轴承常见的4种单一故障,为机组轴承故障诊断提供了理论依据。针对旋转机械轴承的故障诊断存在难分辨、精度不高等问题,本文提出了一种基于BP神经网络与D-S证据理论相结合的故障诊断方法。通过利用D-S证据理论分别将时域、频域在BP神经网络的结果进行融合,以此得到机组滚动轴承故障诊断的最终结果。首先对获取的轴承信号进行小波分解与重构,并分别选取其前4个小波系数进行重构;接着在时域上分别对每一个小波系数各提取7个时域特征值,利用BP神经网络获取轴承故障结果;然后在频域上分别对每一个小波系数各提取7个频域特征值,利用BP神经网络获取轴承故障结果;最后分别将时域、频域的故障分类结果归一化至[0,1],并将归一化后的结果进行时频域D-S证据理论融合。为了证明该方法的有效性,本文分别通过对美国凯斯西储大学电气工程实验室、广东省石化装备故障诊断重点实验室的滚动轴承数据进行实验分析与讨论。实验结果表明,本文提出的方法准确率比独自进行时域和频域分析的效果都要好,提高了故障分类的准确性和可靠性。