滚动轴承是旋转机械中关键的零部件之一,也是应用最广泛的零件。滚动轴承的运转状态直接影响整个设备的正常运行,由于其自身工作特性以及所处的工作环境导致滚动轴承较容易发生故障。因此,能够及时准确地对滚动轴承进行故障的诊断和识别,不仅能够使设备可靠稳定的运行,而且具有重要的现实意义。流形学习是一种新型的维数约简方法,该方法适合处理非线性、非平稳的轴承振动信号。本文首先采用相空间重构技术和流形学习方法中的LTSA算法结合对滚动轴承的振动信号进行降噪处理;对降噪后的信号通过傅里叶变换得到时域、频域等特征形成多域特征集,对多域特征集通过FCBF算法选择出敏感特征;最后提出了基于局部线性判别嵌入(LLDE)和支持向量机(SVM)滚动轴承故障识别模型,先利用LLDE对降噪后的信号进行特征提取,再将提取后的特征输入到训练好的SVM中对滚动轴承进行分类识别。由于滚动轴承的故障是一个由轻微到严重的发展过程,因此在确定故障类型的前提下对滚动体故障进行损伤程度的识别。通过轴承故障的实际数据进行验证,结果表明该故障识别模型能够很好的对滚动轴承的故障类型以及故障程度进行识别。通过对比k-近邻分类器识别效果,得到SVM分类器的识别率最高,进一步验证了该模型的有效性。