随着科学技术迅猛发展,现代机械设备越来越智能化和复杂化。滚动轴承作为机械设备的核心重要组成部分。滚动轴承结构复杂,运行工况多变,有的甚至需要在高温高压等恶劣的环境下长期工作。其运行状态的健康与否将直接决定机械设备能否正常的运行。如何对复杂机械设备的滚动轴承进行有效的故障诊断,成为实际工程应用中一项亟待解决的难题。本文采用近些年来在语音识别中广泛采用隐马尔科夫模型(Hidden Markov Model,HMM),结合小波分析特征提取技术完成对滚动轴承的运行状态的分类识别,从而实现滚动轴承的故障诊断研究。首先,本文通过查阅大量有关滚动轴承的相关理论文献,以滚动轴承的常用形式之一分析了滚动轴承的机械结构及固有的振动特性,其中主要计算推导了滚动轴承内圈、外圈及滚动体等各组成部分的固有振动频率;并分析比较了各组成部分在发生故障时产生的不同故障频率特性。据此,设计了滚动轴承的故障诊断方案和试验平台,完成了滚动轴承的故障机理分析与故障诊断方案的研究。通过对HMM的深入研究,构建了基于HMM的滚动轴承故障诊断模型,设计了滚动轴承故障诊断算法,总体上完成了滚动轴承的故障诊断功能。其次,研究了小波分析特征信息提取技术,阐述了小波分析在滚动轴承振动信号中的可行性,并对特征提取之后的特征信号进行了矢量量化。以工程中的振动加速度信号为例,实例验证了小波分析在特征提取中的应用。最后,结合小波分析特征提取技术和HMM滚动轴承故障诊断技术,在本文设计的试验平台上,通过对不同故障状态的滚动轴承的故障失效模拟试验,采集振动加速度数据,针对不同失效模式的振动数据分别建立不同的HMM模型,将待检测数据输入到全部的HMM模型中,比价不同HMM模型计算出来似然概率值,最大值对应的状态模式,即为待检测数据的故障诊断结果。从而完成滚动轴承故障状态的识别分类,试验研究结果表明,所设计的滚动轴承故障诊断模型具有较高的诊断识别率和较好的可行性。