滚动轴承是旋转机械中重要的零部件之一,但由于加工工艺、工作环境等原因造成损坏率高、寿命的随机性较大。旋转机械故障种类繁多,但由滚动轴承的故障引起的大约占三分之一,所以掌握滚动轴承的工作状态以及故障的形成和发展,是目前机械故障诊断领域中所研究的重要课题之一本论文通过分析滚动轴承振动机理、失效原因和信号特征,对轴承振动信号的采集方法进行了改进,采用无线传感器网络技术降低故障诊断系统的复杂性、提升诊断系统的效率。利用滚动轴承振动信号实现其故障检测与诊断,目前主要有机理分析和智能诊断两条途径。机理分析常用方法有随机共振和小波分析等；智能诊断常用方法有神经网络和支持向量机等。但以上各方法在实际应用中均存在其不足之处,从而影响到轴承故障检测与诊断的效果。为此,本文认为非常有必要立足于不断发展的新理论和新方法,紧紧围绕滚动轴承故障机理分析与智能诊断现有方法存在的问题与不足展开研究与探讨。(1)针对传统有线传感器网络信息采集灵活性差、故障率高的问题,本文在分析滚动轴承振动机理、失效原因和振动信号特征的基础上,设计了滚动轴承振动信号无线采集网络,以802.15.4和ZigBee协议为标准,采用250kbps(?)勺传输速率和无线部署的方式,降低系统复杂性和故障率,为后续轴承故障诊断方法提供基础原理性的支持。(2)针对噪声较强有用信号较弱环境下的轴承故障问题,研究了一种基于遗传免疫优化粒子群算法的随机共振方法。该方法不仅实现了强噪声背景下的微弱信号提取,而且解决了基本随机共振理论只能处理微弱的小参数信号、不能处理轴承振动这类大参数信号问题。通过展开深入的研究,提出了一种基于遗传免疫的粒子群优化算法,并将其应用于随机共振的关键参数寻优过程,由此进一步提出了基于遗传免疫粒子群优化的自适应随机共振算法,并采用轴承故障实验数据进行了分析与验证。(3)针对小波理论实际应用过程中存在难以构造理想小波基函数的问题,研究了基于第二代小波变换的滚动轴承故障诊断方法。该方法利用第二代小波变换将滚动轴承故障振动信号分解到不同尺度,提取出共振频带,然后利用Hilbert变换进行解调,再对解调后的信号进行频谱分析得到小波包络谱,从包络谱上获取轴承故障特征信息。通过轴承实验数据应用与分析表明,该方法准确地提取了滚动轴承不同损伤程度故障的特征频率,实现了轴承故障的定量诊断。(4)针对神经网络本身性能难以继续提高的问题,研究了基于第二代小波变换与神经网络的滚动轴承智能诊断方法。本文从提高神经网络输入端的信号质量入手,利用第二代小波变换与特征评估方法,提出了一种基于第二代小波与神经网络相结合的滚动轴承智能诊断模型,并将该模型应用于实验分析与工程实践中。结果表明从第二代小波分解后信号中提取的联合特征能够揭示更多的故障信息；特征评估方法能够针对诊断对象的健康状态分类选择其相应的敏感特征,大大提高了BP神经网络分类的准确率,验证了本文所建立的智能诊断模型的有效性。(5)针对滚动轴承故障属于典型小样本的特征,研究了基于参数优化支持向量机的滚动轴承智能诊断方法。基本支持向量机方法存在模型参数不易合理选取而影响到算法性能的问题,本文在详细分析各参数对分类模型的影响的基础上,建立了参数优化模型,并采用遗传免疫粒子群算法作为优化方法,建立了基于遗传免疫粒子群和支持向量机的智能诊断模型,最后将该模型用于轴承故障诊断中。结果表明,该算法不但实现了对SVM分类模型参数的自动优化,提高了SVM分类模型的故障诊断精度,而且对分散程度较大、聚类性较差的故障样本分类有较强的适用性。通过论文上述内容研究,优化了目前的应用于滚动轴承不同故障条件下的诊断算法,并进行了实验验证,为旋转机械的故障诊断提供了新方向。