滚动轴承作为机械设备中最基本的通用工业元件之一,在保证工业设备正常运转和企业安全生产中起着至关重要的作用,因此有必要对滚动轴承做故障检测和故障识别研究。本文以滚动轴承为研究对象,以滚动轴承原始振动信号为源信息载体,分别使用基于统计特征的时域分析和基于经验模态分解的方法对滚动轴承的振动信号做特征提取,将提取好的特征作为故障检测和故障识别的输入,设计基于LOFKPCA的滚动轴承故障检测方法和基于SVM-KPCA的滚动轴承故障识别方法,并通过实验验证以上算法在滚动轴承故障诊断研究中的有效性和优越性。本文的主要工作和研究成果如下:1.研究滚动轴承振动信号的时域特征提取问题。使用基于统计特征的时域分析方法对滚动轴承不同状态的原始振动信号做特征提取,得到5种时域参数指标作为特征输入,用于后续的滚动轴承故障诊断研究;2.研究基于经验模态分解方法的滚动轴承振动信号特征提取问题。对滚动轴承不同状态的振动信号使用经验模态分解方法获得若干本征模态分量。使用相关系数法和方差贡献率的方法剔除虚假分量,获得真实本征模态分量,以真实本征模态分量的能量作为特征向量,用于后续章节的故障诊断研究;3.提出了基于LOF-KPCA的滚动轴承故障检测方法。考虑到KPCA方法是基于数据集的全局分布来做故障检测,缺少对数据集局部信息的探索,所以在使用KPCA方法的基础上引入了局部异常因子——LOF方法用于故障检测。使用不同的特征提取方法的特征输入数据对比讨论所提方法在滚动轴承故障检测上的表现。对比实验结果表明基于IMF能量的LOF-KPCA的滚动轴承故障检测表现更优。4.研究基于SVM-KPCA的滚动轴承故障识别算法。考虑到滚动轴承多维输入特征数据,以及SVM算法在处理小样本数据上的显著优势,对比论证了SVM算法在传统分类算法上的优越性。在SVM算法的基础上引入KPCA算法加以改进,对比讨论了改进后的传统算法与流行的分类算法——随机森林算法和XGBoost算法在不同特征提取方法下的滚动轴承故障识别的表现。综合对比发现,基于IMF能量的SVM-KPCA算法的滚动轴承故障识别效果更佳。