随着“制造强国”等战略的出台,我国工业设备逐步趋于系统化、复杂化,其故障的发生方式也变得更加复杂多样。而滚动轴承作为机械中最常见、也最易损坏的零件之一,若其发生故障,可能导致机件断裂、传动装置失灵等情况,进而导致生产的停滞,造成难以估计的损失,甚至会导致严重安全事故。因此,对滚动轴承的运行特征、故障类型、发生部位、受损程度等维度进行诊断与预测,成为目前研究的热点之一。工业设备的运行作为一个非线性系统,其振动信号可以用来表征该设备的故障信息,所以通常采用振动信号分析法对机械设备运行状态进行研究与分析。但是在复杂的运行环境下,其轴承振动信号呈现出非线性、非高斯分布、非平稳的特点,再加上环境噪声等因素的影响,使得轴承故障特征的提取难度进一步增大,传统的信号处理技术在计算效率以及准确性上存在一定的局限。因此,论文采用形态学滤波与流形学习算法,以滚动轴承为研究对象,围绕轴承故障振动信号的滤波预处理、故障特征向量空间的构建及其降维、故障诊断模型的训练等方面展开研究,最终解决机械设备故障识别问题中信号预处理、特征提取、特征降维等关键问题。首先提出了固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)相结合的故障诊断方法,然后在此基础上,对其不足进行了改进,提出了基于自适应广义形态学滤波与LLTSA的故障诊断方法以及基于广义形态学差值滤波(Generalized Morphological Difference Filtering,GDIF)与自编码网络(Auto-encoder Network,AN)的故障诊断方法。具体研究内容及创新点主要包括以下几点:(1)提出了ITD与LLTSA相结合的故障诊断方法,对轴承振动信号进行解构、重构预处理,滤除噪声,提取高维特征向量集并且实现了维数约简,最后训练得到基于极限学习机(Extreme Learning Machine,ELM)轴承故障诊断模型,该模型的识别率达到了99.21%。实验结果表明,该方法能够有效提取出故障振动信号并减少高维特征所产生的冗余问题,实现对轴承运行状态的有效识别。(2)为了从强噪声背景下对具有非线性、非高斯分布特性的轴承故障振动信号进行高维特征提取,并解决高维特征向量的“维数灾难”问题,提高模型精度,降低ITD方法的计算复杂度,提出了基于自适应广义形态学滤波与LLTSA的故障诊断方法。通过该方法训练得到的ELM模型精度高达99%。实验表明,通过该方法训练得到的ELM轴承状态监测模型能够有效滤除噪声,并减少高维特征所产生的冗余问题,实现对轴承运行状态的有效分析与诊断。(3)为了进一步解决传统降噪方法调控参数较多,运算量较大的问题,提出了基于广义形态差值滤波与AN特征降维的故障诊断方法。该方法首先利用GDIF对滚动轴承振动信号实现降噪,并通过流形学习算法AN从信号的多域特征中获取低维本质流形,缓解高维特征存在的维数灾难问题。基于公开数据集的轴承实验结果表明,该方法能够有效降低运算复杂度,滤除信号中的无用信息与干扰噪声;通过AN对特征进行维数约简,能够使ELM模型分类精度得到有效提高,模型识别率为98.04%。