研究滚动轴承状态监测与故障诊断技术,对于保障机械设备运行的安全性和稳定性具有十分重要的意义。滚动轴承的振动信号具有非稳定性和非线性,同时,在强背景噪声工作环境下,滚动轴承的微弱故障特征很容易被噪声淹没。如何在强背景噪声下提取出信号的特征并将其应用于工程实际是滚动轴承故障诊断的核心,也是目前的研究热点。本论文以改进的能量算子为分析工具,深入研究和发展了基于改进能量算子方法的滚动轴承故障诊断技术新方法,并验证了工程应用价值,取得了一定的效果。本文主要研究内容及成果如下:1.介绍了滚动轴承的结构及振动特征,分析滚动轴承的振动机理及失效形式,研究了滚动轴承故障信号的模型。2.在传统的能量算子基础上,提出了一个新的能量算子——包络微分能量算子(Envelope Derivative Energy Operator,EDEO)。滚动轴承故障试验表明与包络谱、Teager能量谱相比,EDEO能量谱不仅能有效地提取滚动轴承的故障特征,而且既不需要进行EMD分解,也不需要进行带通滤波,表明了该方法的有效性和便捷性。3.针对希尔伯特变换与传统能量算子解调方法的缺点,提出了一种新的解调方法——解析能量算子解调(Analytic Energy Operator,AEO)。解析能量算子方法提取的瞬时频率与瞬时幅值具有更高的局部特性且能避免震荡。提出了基于AEO能量谱的滚动轴承故障诊断方法。在高噪声的干扰下能准确地提取滚动轴承的故障特征频率信息,滚动轴承仿真和实验信号分析结果验证了该方法的有效性和优越性。4.提出了基于AEO能量谱样本摘(Sample Entropy,SampEn)和支持向量机(Support Vector Machine,SVM)的滚动轴承故障振动信号特征提取方法。使用经验模态分解(Empirical Mode Decomposition,EMD)所得到单分量信号的AEO能量谱样本熵作为特征向量,实现滚动轴承信号的特征提取。支持向量机预测模型对其进行状态分类和识别,验证了该特征提取方法的有效性和准确性。