滚动轴承作为旋转机械的核心部件,由于其效率高、摩擦阻力小和易于安装和润滑的特性,广泛应用于航空航天、轨道交通、风力发电等高端制造领域中。轴承在运行过程中的健康状态直接决定着设备的稳定性和可靠性。据统计由于滚动轴承失效导致的旋转机械故障占比为45%~55%。因此,开展对轴承故障诊断的研究具有重用的学术价值和工程意义。本课题考虑到小样本约束下轴承振动特征提取与选择的困难,围绕轴承振动特征提取、特征选择与故障诊断展开了研究,主要研究工作包括以下几个方面。(1)针对小样本下轴承振动特征提取的问题,本文在稀疏滤波的基础上,提出了复合稀疏滤波的特征提取方法,用于提取轴承振动信号中的线性与非线性特征,同时,将特征映射矩阵的正则项引入稀疏滤波的目标函数,加快算法的收敛。通过实验,验证了复合稀疏滤波在特征提取方面的优越性;(2)针对复合稀疏滤波中线性滤波器与非线性滤波器特征数目确定的问题,本文提出基于改进遗传算法的特征选择方法,通过特征选择的方式,来确定复合稀疏滤波提取特征的数目。针对标准遗传算法在进化早期易陷入局部最优且进化后期搜索速度效率较低的问题,提出改进遗传算法,对种群初始化及遗传算子进行改进;针对小样本前提下,不能采用验证集或测试集的识别准确率作为特征子集评价指标的问题,本文提出了惩罚因子加权类间类内距离和的特征子集评价指标,考虑了特征权重与特征数目的影响;(3)在复合稀疏滤波及基于改进遗传算法的特征选择基础上,本文提出了一种滚动轴承局部故障诊断新方法。介绍了故障诊断方法的流程,并提出了基于特征选择的特征映射矩阵调整。研究了训练样本数量、样本长度与环境噪声对诊断结果的影响,并通过实验验证了复合稀疏滤波比其他滤波方式在特征提取方面的有效性,同时与现有文献进行比较,说明了本文方法在小样本复杂工况下的轴承故障诊断具有优越性。