由于滚动轴承具有摩擦阻力小、精度高、结构紧凑等优点,在工业设备中得到了广泛应用。如今机械设备日趋集成化、大型化,零部件之间彼此环环相扣,若有零件产生故障将会引起连锁反应并且影响整个机械设备的运转。而轴承在工作时通常处于高压、高温的恶劣环境,因此,滚动轴承是机械设备中最容易产生故障的零件之一。由此可知,开展滚动轴承故障诊断技术研究对工业设备的发展意义重大。为此,本文以滚动轴承为研究对象,研究其故障诊断方法及技术路线。本论文主要工作内容如下:首先,分析滚动轴承的振动机理以及振动信号的特征,并对典型的内圈、外圈局部故障进行模拟。开展滚动轴承故障实验,设置不同故障,采集不同转速、不同负载多工况下的振动信号。然后,考虑滚动轴承的振动信号故障特征容易被噪声影响,通过相关峭度反卷积算法对滚动轴承振动信号降噪处理。为了实现相关峭度反卷积在应用过程中的自适应性,以排列熵为目标函数,基于粒子群算法对相关峭度反卷积的位移数以及滤波器长度两个参数进行寻优;结合相关峭度反卷积突出冲击成分的特点与奇异谱分解获得的分量具有实际物理意义的特点,提出将相关峭度反卷积与奇异谱分解相结合对滚动轴承故障诊断的方法,并与传统方法进行了对比分析,实验证明,该方法能有效实现滚动轴承的诊断。其次,针对故障诊断算法在工程实际中适用性差的问题,通过MATLAB GUIDE设计基于相关峭度反卷积和奇异谱分解相结合的滚动轴承故障软件系统,该软件系统的主要功能包括路径读取、数据载入、计算故障特征频率、计算特征参数、相关峭度反卷积结合奇异谱分解处理、相关峭度反卷积结合经验模态分解处理、时域波形及频谱显示、清除坐标轴数据以及辅助线设计等,提高故障诊断算法的可操作性。最后,考虑单一特征参数反映的信息不够全面,本文以能量值、奇异值、包络熵、重心频率及频率标准差多特征参数对滚动轴承的运行状态分析。滚动轴承振动信号经过相关峭度反卷积处理后,计算减噪信号的重心频率和频率标准差两个频域特征,相同的振动信号经过相关峭度反卷积与奇异谱分解处理后,计算奇异谱分量的能量值、奇异值和包络熵三个时域特征,将时域特征与频域特征组合成高维特征集合。经主成分分析对高维特征集合降维,输入到双向长短时神经网络故障诊断模型中识别判断轴承的运行状态。通过实验数据证明了该诊断方法的有效性。