近年来,我国制造业发展突飞猛进—“中国制造”已经走向了世界。农业旋转机械装备诸如拖拉机、联合收割机等作为制造行业中不可或缺的一员,社会的不断发展使得对它们的要求越来越高,对其健康状况的监测也逐渐变得尤为重要。电机作为智能农业装备的动力源,其核心部件即为轴承。当轴承在农机装备运行过程中出现故障时,其内部电机无法正常运转从而导致整个系统出现无法挽回的重大损失。因此,对农用机械装备轴承开展健康检测与故障诊断研究具有重大意义。对轴承故障诊断来说,振动信号是最常见的检测手段。因此本文以农业机械装备电机内部的滚动轴承为研究对象,选取滚动轴承振动信号作为故障检测信号,通过对该类振动信号进行降噪预处理、特征提取以及故障识别等技术手段完成本文的研究目的。具体研究内容如下:（1）电机滚动轴承故障机理分析。阐述了在农业机械装备中电机滚动轴承的基本机械结构、故障种类及引发其故障的原因,给出了电机滚动轴承各种状态下对应的故障频率,奠定了故障诊断理论基础。（2）滚动轴承振动信号的降噪预处理。本文在4类轴承状态即正常态、滚珠故障、外圈故障及内圈故障下采集滚动轴承的振动信号。滚动轴承处于运行状态时的工况环境十分复杂,故采集到的振动信号常掺杂有很多非线性噪声。针对这种情况,本文采用了变分模态分解VMD算法对上述振动信号进行去噪预处理,并通过设计仿真实验证实了VMD算法对信号降噪的有效性。（3）滚动轴承振动信号的特征提取。本文依据降噪处理后的滚动轴承振动信号分别提取了统计特征、小波包能量特征以及熵特征,以便从3种角度来分析振动信号的状态特征。由于提取方法不同,此三类特征之间可以有效互补,从而更加全面地反映了滚动轴承在不同状态下的特征信息。3类特征组成的高维组合特征向量易增加SVM识别器的计算负荷,且常包含有部分冗余信息,因此本文引入了一种流形学习中局部线性嵌入算法LLE对高维组合特征进行有效融合降维,从而完成了对滚动轴承振动信号三类特征的有效融合,使此类低维特征包含有更多的类别信息,为接下来的识别器SVM提供了有效的输入特征向量。（4）滚动轴承振动信号的故障识别。搭建基于支持向量机SVM理论的电机滚动轴承故障模式识别模型,由于SVM模型的参数取值通常依赖人工经验选取,故本文分别采用遗传粒子群混合优化算法和鲸鱼优化算法优化SVM模型的参数。通过实验可知,两种算法优化后的SVM模型的故障诊断准确率分别达到了99.22%和100%,经对比分析验证了本文提出方法的有效性。