滚动轴承作为旋转机械设备中的核心组件,被广泛应用在起重设备、采集机等大型机械中;因为旋转机械设备的运行环境一般比较恶劣,导致其损坏情况增加和使用寿命离散性大;滚动轴承产生的故障会造成严重的生产故障,对社会经济和社会民众的生产生活会造成不可弥补的损失。因此对其采取实时在线监测和故障诊断等措施能够有效保证旋转机械设备正常工作和减少生产损失。本课题以滚动轴承为研究对象,以滚动轴承产生的温度信号和振动信号为数据处理对象,温度信号用于应对轴承状态发生突变的情况,振动信号用来判别滚动轴承的状态信息。本文的主要研究内容如下:首先,为了解决滚动轴承振动信号的非平稳特性,分析了傅里叶变换在轴承信号处理过程中的不足之处,以小波包分解为特征提取方法,对轴承的振动信号进行了小波包分析。小波包分析能够把振动信号中的大量且无效的噪声筛选出去,之后进行小波包变换的逆变换并对其进行归一化处理之后便可生成了能量特征向量,小波包处理之后的能量特征向量可以作为分类器的样本数据。其次,在状态分类中为了解决滚动轴承振动信号大量典型故障样本难以获得的问题,将支持向量机作为轴承故障诊断状态分类中的分类器;又为了解决支持向量机中重要参数的选择问题,采用麻雀优化算法对支持向量机进行优化,优化之后的支持向量机再作为滚动轴承的故障分类方法。然后使用美国西储大学滚动轴承数据进行理论验证,通过对比GA-SVM、PSO-SVM模型的诊断精度和迭代次数,可以得出结论:麻雀优化算法优化过的支持向量机模型有着更好诊断精度且效率更高。最后,为了能够在大型机械设备运行时,及时检测到滚动轴承的温度信息和振动信息后并对其进行合理分析,解决设备运行时的安全预警问题。因此基于本文中小波包和支持向量机的理论分析设计一种轴承故障诊断系统,该系统实现了滚动轴承温度数据的实时采集、分析及预警功能,实现了对滚动轴承振动数据的采集和轴承故障状态的分类。通过对轴承故障诊断系统进行系统测试,发现该系统在轴承故障诊断上有很好的准确率,很好地应用在实际的生产中。