滚动轴承作为旋转机械设备中不可或缺的关键部件,在整个设备的安全性能方面有着举足轻重的地位。如果不能及时准确地对滚动轴承进行定量评估,轻则设备停运,重则机毁人亡。因此实现滚动轴承的多状态评估有着十分重要的意义。为充分挖掘滚动轴承振动信号所包含的轴承运行状态的信息,论文对滚动轴承的振动信号分别进行浅层特征和深层特征提取。浅层特征主要包括时域、频域和时-频特征,深层特征基于深度学习理论下的稀疏自动编码器进行自适应提取。深层特征相比于浅层特征,可省去繁琐的人工提取步骤并提高效率。为进一步对比浅层特征与深层特征的优缺点,深入研究t分布随机邻域嵌入(t-SNE)算法在数据可视化方面的应用。论文基于t-SNE算法将两类特征进行可视化,从直观的角度将两类特征进行对比,结果表明深层特征更有利于滚动轴承多状态评估。此外,通过与其他降维方法作对比来验证t-SNE在可视化方面的优越性。因超球支持向量机在处理数据异构、样本分布不均等问题上具有独特优势,论文将超球支持向量机作为分类模型,结合改进后的决策策略,完成轴承多状态的识别。同时利用遗传算法完成模型中的参数寻优。通过实验验证该方法的有效性。最后,为准确掌握轴承的多种运行状态,将深层特征作为超球支持向量机的输入,用于滚动轴承的多状态评估。然后提出将各个状态相对于正常状态的衰退系数与相对补偿距离相结合,构造多状态统一评估指标,实现对滚动轴承多状态的有效评估。