滚动轴承作为青岛特钢旋转机械设备中使用最多的零部件之一,易损率较高。当滚动轴承出现故障时,若不对其进行及时的更换,势必会造成机械设备停机,影响工厂实际生产进度。然而,如何有效的判断滚动轴承故障状态是亟待解决的关键问题。为了丰富青岛特钢动力装备部已有滚动轴承故障诊断方案,拓宽现阶段监测体系中滚动轴承故障诊断研究思路,本文以高速线材厂风冷线风机设备中的滚动轴承为研究对象,首先,分别从时域、频域以及时频域提取31个故障特征参量组成原始故障特征集;其次,利用邻域粗糙集对原始故障特征集中的故障特征参量进行筛选得到12个敏感故障特征参量,减小后续分类器识别负担;然后,利用随机森林组合分类器作为故障状态分类器区分滚动轴承四种常见的故障状态,同时,针对随机森林组合分类器中的决策树的个数以及分裂属性集中属性个数这两个参数设置问题,提出了基于遗传算法的参数寻优算法。最后,从诊断结果正确率、训练速度两个角度综合考虑,与学习矢量量化网络作为故障状态分类器的诊断结果进行对比分析,验证了本文提出的基于邻域粗糙集与随机森林组合分类器的滚动轴承故障诊断方法的有效性。