随着制造技术的不断发展,许多大型复杂机械装备不断被设计制造出来,在各种旋转类机械装备部件中,轴承是必不可少的部分。轴承一直被称誉为“工业的关节”,作为机械装备的关键部件,因为其发生故障在所有故障中占40%以上,所以及时对轴承进行故障识别是旋转类机械装备运行维修的重要研究内容。因为多数机械装备系统复杂度高、工作时间长,所以对机械装备轴承的监测获取了大规模的原始数据,这对故障诊断的效率产生重要的影响,为此本文针对大规模数据下基于支持向量机的轴承故障诊断问题进行研究。支持向量机具有良好的学习性能和泛化能力且不需要精确的数学模型,因此非常适合应用于复杂的机械故障诊断。因为训练样本数据中只有少量支持向量数据影响支持向量机超平面的构造,所以大多数训练样本数据都是冗余的。即大规模数据下基于支持向量机的轴承故障诊断,只要数据处理得当,就可以提高基于支持向量机的轴承故障诊断的准确度和效率。本文利用轴承的振动数据作为原始数据库,通过结合k-means聚类算法和快速凸壳算法用于数据的预处理,去除冗余数据,降低原始数据的复杂度和数据量,使处理过的数据集适用于支持向量机。因为振动信号的特征属于高维,其中冗余特征会影响诊断效率,并且支持向量机的参数对其诊断性能也产生影响,所以利用微分进化算法对支持向量机参数和振动信号的特征同步进行优化选择,提高支持向量机的效率。主要工作和研究成果如下:（1）针对大规模数据冗余度大的问题,提出了一种基于聚类凸壳超平面的算法方案。该算法方案首先采用K-means聚类算法对原始数据进行聚类,并对每个类簇构造凸壳超平面,然后去除凸壳内部冗余的数据点,保留凸壳顶点,以处理后的数据为对象结合支持向量机算法用于故障诊断。该方案可以有效地去除冗余数据,从而缩短支持向量机的训练时间和降低计算机内存需求,提高算法效率。（2）支持向量机的参数和训练数据集特征的选取严重影响着故障诊断的精度和效率。为了提高支持向量机的诊断效率,本文利用微分进化算法对支持向量机决策模型参数和训练数据集特征同步进行全局寻优,寻找参数与特征的最优组合,提高诊断效率,为建立故障诊断系统提供理论支持和应用案例。