滚动轴承是机械设备重要的零部件,也是最易损坏的零部件之一。一旦发生损坏则会影响机器的正常运转,甚至危及人身安全。因此,针对轴承故障诊断的研究势在必行。声学信号中包含了丰富的状态信息,若轴承发生故障,声学信号能量分布则会发生变化,通过分析声学故障信号即可提取轴承的故障特征信息。声学故障诊断技术具有非接触测量,速度快、设备简单、信号极易获取等特点,但声学信号的信噪比很低,其特征信息较难提取。因此,本文将声学信号作为滚动轴承的信号源,研究了滚动轴承故障特征提取及诊断的新方法,主要研究内容如下:(1)针对轴承故障声学信号的特征及传统盲源分离的缺陷,提出了一种基于小波包算法的单一通道欠定盲源分离方法,从而解决了一维观测信号不能直接用于盲源分离的缺陷。(2)利用邻近奇异差值法估计源信号数,根据源信号数目重新构建虚拟观测信号,通过Fast ICA算法对虚拟声学信号分离与提取,从而解决了声学信号信噪比低的问题,为后续的滚动轴承声学信号故障诊断的准确性奠定了基础。(3)通过将Shannon熵分别与时域、频域及时频域内的声学信号分析方法相结合,构建了三种Shannon熵特征指标,即奇异值谱熵、功率谱熵以及小波包能量谱熵,研究了基于Shannon熵的多层次特征提取方法。(4)利用奇异值谱熵、功率谱熵以及小波包能量谱熵作为特征向量,输入到支持向量机中,从而判断滚动轴承的故障类型和故障程度。(5)搭建了滚动轴承声学信号故障诊断实验台,利用以上提出的降噪和特征提取算法对滚动轴承的故障类型和故障程度进行分类,结果表明该方法对于滚动轴承微弱声学信号故障分类效果较好,同时也说明了声学信号在滚动轴承故障诊断中的优越性。