随着工业生产现代化的发展,设备维修方式正在逐步转向预知维修,设备故障诊断技术是实现预知维修技术的保证。滚动轴承是现代工矿企业中常用的机械零件,在整个生产设备中起着关键的作用。为了对滚动轴承实现预知维修,保证其正常运行,需要准确地发现故障类型,更需要及早地发现故障劣化程度,所以对滚动轴承内圈故障劣化状态辨识的研究具有重要的理论和应用价值。本文在广泛收集相关资料的基础上,提出将希尔伯特—黄变换(Hilbert-Huang Transform简称HHT)和球结构支持向量机相结合应用于滚动轴承内圈故障劣化状态的识别方面,并且对辨识结果进行可视化,充分验证了这种方法是可行的。本文主要做了以下几方面的研究工作:分析了滚动轴承的特征频率、正常状态的振动信号特征和内圈故障的振动信号特征。搭建了滚动轴承故障诊断系统模型,采集了滚动轴承从正常、内圈轻微故障、中度故障、重度故障逐步劣化的振动信号。阐述了目前先进的时频信号处理方法Hilbert-Huang的原理。采用EMD分解和小波分解对相同的仿真信号进行了分析和比较。使用Hilbert边际谱和功率谱对滚动轴承内圈故障的劣化状态信号进行了分析,结果表明Hilbert谱分析有更高的分辨率,但是单靠谱分析还不能很好地识别滚动轴承内圈故障劣化的程度,需要提取特征向量,并将其映射到高维空间进行模式识别。EMD方法是一种自适应的时频分析方法,可以更准确地把握信号的特征信息。本文采用内禀模态能量熵和内禀模态奇异值方法来提取滚动轴承内圈故障劣化程度的特征。通过比较结果,内禀模态奇异值方法可以更有效地提取出滚动轴承内圈故障的劣化程度特征,随着滚动轴承内圈故障逐步劣化时,奇异熵值逐步变小。在此基础上,研究了用球结构支持向量机作分类器,对滚动轴承内圈故障的劣化程度进行识别的理论和方法。同时对核函数问题进行了探讨,表明径向基核函数比较适合球结构支持向量机。求出了不同故障程度下的类中心(即球心)及类半径,研究了它们的变化规律。此外,本文还利用主成份分析和基于色度图的高维数据可视化技术研究了球结构支持向量机辨识结果(高维)的二维空间显示,使球结构支持向量机的辨识结果直观化。本文的研究结果表明,HHT和球结构支持向量机相结合的这种方法能够准确地识别滚动轴承内圈故障的劣化状态,为滚动轴承的故障诊断提供了一种有效的方法。