轴承是旋转机械的核心部件与易损件。一般工业用途的旋转机械大多使用滚动轴承,在旋转机械中起着非常重要的作用,对其进行监测和故障诊断是学术界和产业界一直非常关注的课题。滚动轴承出现故障将可能导致设备的噪音和非正常振动,严重的将可能导致整台设备乃至整条生产线都不能正常运行。因此,对滚动轴承的故障诊断进行研究具有重要的理论意义和应用价值。本文结合江西省自然科学基金项目的研究内容,重点研究了基于小波包分析和支持向量机的滚动轴承故障诊断方法。借助设计的滚动轴承实验台以及数据采集系统,进行了滚动轴承模拟故障试验。在此基础上研究了小波分析理论,利用小波包分析完成了对数据采集系统采集的原始振动信号数据的降噪和故障特征提取,最后结合在少样本分类中具有明显优势的支持向量机(Support Vector Machine,简称SVM)理论,提出基于小波包分析和支持向量机相结合的故障诊断方法。本文的主要工作：1、首先研究了滚动轴承的振动机理、失效形式和检测技术,分析了常见检测方法优点和不足基础,采用测量滚动轴承的勺振动信号数据进行轴承的故障诊断,进而研究了滚动轴承的振动机理和特征频率2、分析了统计学习理论和支持向量机的基本思想,并将支持向量机引入到滚动轴承的故障诊断中,给出了支持现量机应用于滚动轴承故障诊断的基本步骤和方法。3、以QPZ-I故障模拟试验平台为对象,设计了试验台振动数据采集系统,进行了滚动轴承内圈、外圈和滚动体的故障模拟,为滚动轴承的故障特征提取提供诊断数据。4、以模拟的滚动轴承故障数据为诊断对象,研究了基于小波分析的信号降噪和运用小波包分解提取故障特征的方法,结合Matlab平台的优势,研究了基于小波包分解的滚动轴承信号特征提取方法,并进行实例进行了分析。5、针对标准支持向量机不能直接用于解决故障诊断这种典型多值分类问题的不足,分析了支持向量机多值分类方法,采用二叉树多值分类算法构建分类器模型,结合小波包分解提取的振动故障特征向量,进行了滚动轴承的故障诊断,并探索了影响SVM分类精度的核参数的参数优化。仿真结果验证了支持向量用于滚动轴承故障诊断的正确性和有效性。综上所述,本文所研究的基于支持向量机的滚动轴承故障诊断方法是可行的,分析和诊断结果与实际吻合,能够满足滚动轴承故障诊断的要求,对滚动轴承的故障诊断具有一定的指导作用。