随着现代科学技术的飞速发展与智能工业技术的迅速进步,当前制造业的机械设备日益呈现自动化、大型化、精密化和智能化,这不仅对机械设备关键部件的结构设计更加复杂,制造精度要求更高,还对机械设备关键部件的安装以及运行平稳提出了更高的要求。滚动轴承是机械设备中特别重要的零部件,尤其是旋转机械设备里,它也是最容易失效的零部件,且近年来得到了广泛关注。因此,本文将滚动轴承作为研究对象进行健康状态监测和早期故障诊断,提出了一种基于小波包分解和图论的滚动轴承早期故障诊断技术的研究。并从仿真信号和真实实验信号对所提出的技术方法进行早期故障监测与早期故障诊断性能的探究。首先将采集到的滚动轴承振动信号,完成小波包分解以获取子频带的小波包系数,考虑到各个子频带的小波包系数之间的相关性,对每个子频带的小波包系数进行构建无向加权图模型,实现振动信号的动态表征。然后探究其健康状态评估问题,在监测到早期故障后,需把发生故障时的图集进一步提取故障特征用于早期故障的诊断。对于早期故障监测问题,本研究采用无向加权图对小波包系数进行建模。为了满足不同工况下的监测性能,本文提出了一种自适应加权的方法将多维的相似度分数进行融合,得到能够反映滚动轴承健康状态的指标,通过仿真信号验证了滚动轴承的健康状态能通过融合后的异常度分数指标反映出来。同时,本文采用异常决策的算法对融合后的健康指标进行评估是否有早期故障发生,进而实现滚动轴承的早期故障监测。对于早期故障诊断问题,本文提出了一种基于K近邻分类器的滚动轴承早期故障诊断方法。基于早期故障监测的方法,当监测到早期故障后,对发生早期故障时刻的图集进行奇异值分解构建出故障分辨特征,然后把构建出的新特征放入K近邻分类器中完成早期故障类型的判别。KNN分类器中的训练样本为滚动轴承各种健康状态下的奇异值序列特征。综上所述,本研究将滚动轴承早期故障监测与诊断两个方面进行融合,构建了一个滚动轴承早期故障诊断的框架。此外,本文利用西安交通大学轴承数据库和西储大学轴承数据库对所提出的方法进行实验验证,实验结果表明本文提出的基于小波包分解和图模型的方法在轴承早期故障监测和早期故障诊断中相较于对比方法更具有优越性。最后,总结与展望对本文的主要工作和创新点进行了总结,并对未来的工作方向进行讨论。