针对机械设备的故障诊断技术,不少国内外研究学者已展开了相关的研究,利用支持向量机、神经网络等机器学习方法解决故障诊断问题,并取得了一定的成果。但是对滚动轴承故障诊断方面的研究并不多,而且还存在待改进之处,主要包括:滚动轴承振动信号降噪的问题,如何避免信息的丢失及出现的过振荡;对于非线性、非平稳的振动信号,怎样提取能反映滚动轴承故障状态的有效特征信息;以及如何构建有效的学习模型达到故障模式的识别等。本文的主要研究思想包括以下几个方面:对滚动轴承的振动信号进行降噪处理以提高故障诊断的精度。提取多种有效特征成分,降低信号的维度、减少信息的冗余。利用滚动轴承采集的故障样本,对支持向量机诊断模型进行训练,实现样本不同类别标签的监督学习,构建故障识别模型。主要工作内容包括:(1)针对滚动轴承振动信号中的噪声成分,本文利用经验模态分解和改进的小波阈值函数方法。经验模态分解的振动信号可表示为若干个时间尺度的基本本征模函数(Intrinsic Mode Function,IMF)分量,再使用改进的小波阈值函数对不同频率段的IMF伪分量进行去噪处理,保留多种有效的信号特征。该方法有效地避免了信号特征出现振荡和过平滑的问题。(2)为了提取滚动轴承振动信号中的故障特征成分,建立了一种基于局部保持的隐变量模型建模。首先,该模型将保局映射的目标函数作为低维空间中数据的先验信息;接着利用Bayes定理得到隐变量的后验概率;最后通过最大化后验概率的方法确定隐变量,从而建立了局部保持的隐变量模型,克服了非线性核映射建立的隐变量模型不能保持数据空间局部结构信息。实验结果表明,相比原有的隐变量模型,该方法很好的保持了高维空间数据固有的流形结构。(3)建立了一种混合核SVM的故障诊断模型,对滚动轴承故障样本的模式识别,并利用遗传算法优化支持向量机中的参数。以提取的特征向量样本集作为输入数据集,通过最优的SVM进行仿真实验,对故障样本进行模式识别。(4)模拟实际运用的滚动轴承模式识别系统的操作流程和诊断过程,建立“滚动轴承模式识别系统”。