滚动轴承作为旋转机械设备中一个关键性的零部件,其性能好坏能直接关系到设备的正常运行。因此,及时、准确地诊断轴承故障类型,并采取相应维护措施,对于保证设备的安全运行和降低重大事故的发生都存有重要的实际意义。本文建立一种新型的滚动轴承故障诊断模型,首先,需要通过传感器收集滚动轴承不同工况下的振动加速度信号;其次,采用变分模态分解(VMD)对振动信号进行分解与重构,剔除噪声干扰;接着,精细复合多尺度样本熵(RCMSE)应用于故障特征提取,并利用加权等度规映射(W-Isomap)监督流形学习方法进行降维处理;最后,灰狼群优化支持向量机(GWO-SVM)对低维特征进行诊断识别,通过工程实验进行故障模型有效性的验证。课题主要工作如下:(1)针对采集的滚动轴承振动加速度信号存在噪声干扰,利用VMD对收集的信号进行降噪。经两组仿真实验案例以及一组滚动轴承工程实验案例验证其优势。(2)为克服滚动轴承故障特征提取困难的问题,利用新颖的RCMSE非线性技术获取特征信息,构建原始高维故障特征集。经两组工程实验案例分析证实其特征提取效果优于MSE。(3)鉴于VMD+RCMSE提取的故障特征矩阵存在信息冗余,直接输入分类器中进行识别,会影响识别结果。采用一种W-Isomap对该特征矩阵进行降维。两组工程实验分析表明其降维效果优于Isomap,LPP和t-SNE。(4)由于支持向量机(SVM)的识别效果易受到参数影响,故把新型的灰狼群优化理论应用至SVM参数优化过程,建立了GWO-SVM。经两组工程实验分析表明其模式识别效果要优于现有的SVM,PSO-SVM及GA-SVM。(5)建立一种基于VMD,RCMSE,W-Isomap和GWO-SVM的滚动轴承故障诊断新技术,并利用工程实验案例分析进行故障模型的验证。