轴承作为风机、采煤机等机械设备的关键零部件,监测其工作状况至关重要,尤其对轴承早期故障的监测具有更重要的理论意义和工程应用价值。风力发电作为新疆的特色产业,对其高故障率零部件(轴承)的监测也具有重要的工程应用价值,因此,本文以风力发电机组中的轴承为研究对象展开研究。由于轴承早期故障信号具有幅值小和信噪比低等特点,增加了早期故障信号的检测与诊断难度。随机共振能通过非线性系统将部分噪声能量转化为微弱故障特征信号能量,从而增强微弱特征信号,实现微弱故障的检测与诊断。而且,多稳态随机共振能更好的处理解调后的轴承故障信号。因此,本文围绕多稳态随机共振展开一系列研究,主要研究内容和研究结论如下:(1)势函数模型的参数决定着非线性系统、噪声和故障特征信号的协同作用能否发生和是否达到最佳。因此,针对势函数模型参数优化问题,本文引入了一种社会模拟优化算法(social mimic optimization(简称SMO)algorithm)。通过仿真和实验对比分析了社会模拟算法与粒子群算法在搜索全局最优参数组合的迭代次数,以及搜索参数组合实现的特征增强效果,验证了社会模拟算法的优越性和有效性。(2)为了实现多稳态随机共振在实际工程中的应用,本文提出了基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)和复合多稳态随机共振(composite multi-stable stochastic resonance,简称CMSR)的轴承微弱故障诊断方法。首先利用CEEMDAN分解故障信号;其次,利用峭度准则自适应选取轴承故障分量,并进行Hilbert包络解调;最后,将解调信号输入到复合多稳态随机共振系统中,实现轴承内外圈以及滚动体的微弱故障诊断。通过实验数据验证了所提方法的有效性,并为探究多稳态随机共振对轴承故障特征的影响规律提供基础。(3)为了探究随机共振在增强特征频率幅值时对其他故障特征的影响。对比分析随机共振对仿真信号和实验数据处理前后故障特征(时域和频域)的变化情况,总结出随机共振对故障特征的影响规律。