在现代工业中,滚动轴承是旋转机械的最基本的元件之一,被广泛应用航天、工程制造等行业中,机器长时间的运转会对滚动轴承部分造成磨损、剥落等情况,其结果将会降低机械的使用寿命,甚至威胁人员生命,将造成无法挽回的后果。因此,滚动轴承的精确状态监测和故障诊断对于保证机器的可靠运行起着重要的作用,对其进行有效的诊断已经成为当今研究的热点。本文围绕滚动轴承振动信号分析处理、特征提取、特征简约、故障诊断等研究内容,以经验模态分解、关联特征向量、模糊集理论、概率神经网络等为理论基础,针对滚动轴承故障诊断过程中存在的边界效应和混叠模式,分类选择过于复杂等问题,提出了一种基于树形搜索和模糊关联特征向量的联合滚动轴承诊断方法。主要研究工作及创新点如下:针对轴承信号的非线性和非平稳性,本文将经验模态分解引入到振动信号处理中,它是一种新的时频分析方法,而且是一种自适应的时频局部化分析方法:(1)本征模态函数(Intrinsic Mode Function,IMF)与采样频率相关;(2)它基于数据本身变化。这点是经验模态分析(Empirical Mode Decomposition,EMD)优于傅立叶变换方法的地方,它摆脱了傅里叶变换的局限性。通过数值仿真分析,验证了该方法在处理振动信号上的有效性。为后续的特征选择打下来坚实的基础。由于轴承初始信号通过经验模态分解所提取的故障特征样本集是一个高维特征集,过高的特征维度中存在大量冗余信息,从而导致故障诊断的计算负担和复杂性,并影响诊断的有效性。为了使提取的故障特征更加显著,本文引入关联特征向量理论,关联特征向量能够更深层次的挖掘故障的本质差异,提高故障精度,在样本表征上具有明显的优势。针对关联特征向量在表征混叠模式上存在不确定性,在此基础上,引入模糊集理论,提出一种基于树形搜索和模糊关联特征向量的联合滚动轴承故障诊断方法。通过建立启发树模型,设计树形启发式特征搜索策略,选用合适的特征筛选准则,改进常规的特征优选模式。此外,采用模糊集来处理提取关联特征向量中存在的混叠模式问题,利用模糊隶属度来指导混叠模式后续的特征提取。基于以上的研究,采用概率神经网络设计故障分类器,在同一设备上进行滚动轴承故障诊断试验对比,选用美国凯斯西储大学轴承数据中心的数据进行数据分析,实验结果表明,所提出的方法能够有效的提高滚动轴承的诊断效率。