滚动轴承作为旋转机械中的一个核心零部件被广泛应用在各类旋转机械设备中，如风力发电机、压缩机、汽轮机和鼓风机等。然而，随着机械设备的持续运行，滚动轴承将不可避免地出现退化，从而使得滚动轴承故障诊断在旋转机械的可靠性运行中起着至关重要的作用，不仅可以提高设备的安全性和运行效率，同时还可以减少停机时间和降低运行总成本。滚动轴承故障诊断能检测到旋转机械轴承的损伤状态，不仅可以检测到轴承的故障，而且能识别轴承的故障程度，其诊断信息有助于滚动轴承的预防性维护。因此，有必要开展滚动轴承故障诊断方法研究。　　滚动轴承故障诊断技术经过近些年的发展，已经产生了巨大的经济效益，同时也成为了各国研究的热点。目前针对滚动轴承的故障诊断，主要的技术方式有振动噪声信号监测故障诊断、油液监测、无损检测以及性能趋势分析等。根据滚动轴承振动技术机理的不同，常用的诊断方法有振动分析法、噪声分析法、温度分析法、油液分析法、油膜分析法、声发射诊断分析方法等。这些方法最主要的特点都是基于不同的数据分析来完成滚动轴承的故障诊断，因此，目前应用最广泛的滚动轴承故障诊断方法还是基于数据驱动的诊断方法。　　基于数据驱动的滚动轴承故障诊断方法是一类有效的故障诊断方法，它可以分为三个步骤：振动信号分析，特征降维分析和基于机器学习方法的故障识别。信号分析阶段利用现代信号处理方法对滚动轴承的故障信号进行特征提取，特征降维阶段将提取到的特征生成低维重要特征矢量，最后一阶段依靠机器学习方法来做出故障决策，输出滚动轴承的故障类型。　　论文将围绕故障振动信号处理方法的特征提取、特征降维分析和基于机器学习方法的分类识别研究展开，将提出的方法应用到滚动轴承的故障诊断中，实验结果验证了论文中提出方法的有效性。论文主要工作如下：　　1. 基于信号处理方法的多变换域特征提取研究　　当滚动轴承发生故障时，监测到的振动信号通常具有较低的信噪比，故障信号弱，受干扰性强，导致难以直接识别其故障特征。因此，振动信号的特征提取是滚动轴承故障诊断中的关键一步。为了提高滚动轴承故障诊断的有效性，提取到的特征要能描述滚动轴承故障的相关信息，论文提出了多变换域特征提取方法，结合时域、频域和时频域来提取特征。　　滚动轴承故障在早期阶段，损伤并不显著，但是其正常状态的振动信号与早期故障振动信号在时域的统计特性上明显不同，同时，在时域分析中，由于计算简单，物理意义明确，均值，标准差，偏度差及无量纲因子等统计参数成为首选，作为滚动轴承振动信号的时域特征值，用于识别故障状态。　　信号频域特征提取主要是借助傅里叶变换进行，即通过傅里叶变换将滚动轴承时域振动信号转换到频域信号，傅里叶变换方法包括频谱分析、相关分析、传递函数分析、相干分析、包络分析、倒谱分析、时间序列分析、细化谱分析等方法。这些分析方法都是在假设原始信号为平稳信号的基础上展开的。对于平稳的振动信号，这些方法有很好的实时性而且物理意义明确。在通常情况下，这些方法能达到工程实践要求的需要，在滚动轴承故障诊断频域分析中取得了较好的效果。但对于非平稳信号，这些方法不能有效地反映频谱中的时频细节，很大程度上限制了频谱分辨率，因此针对滚动轴承的工作状态，需要寻找更有效的时频分析方法。　　滚动轴承的大部分工作状态都会以振动的形式表现出来，其振动信号并对之进行相应的处理可以提取得到故障特征。早期对滚动轴承的振动信号分析方法有时域分析方法和频域分析方法，但是随着机械设备结构的复杂化，其振动信号也都是非线性、非平稳信号，传统的简单时域分析方法和频域分析方法不能有效地提取到其故障特征，信号的时频分析方法已经成为旋转机械故障振动信号处理与故障特征提取的重要方法时频分析方法能对滚动轴承的非线性非平稳故障振动信号进行有效的分析，可根据信号的瞬态特性，突显信号的局部特征，因此，基于时频分析方法获得的时频特征能有效体现隐藏在振动信号中的故障信息，现有的研究证明了其在滚动轴承故障诊断中的优势。最近，受自适应经验模态分解方法（Empirical Mode Decomposition，EMD）的启发，许多时频分析方法被有效地应用到了滚动轴承的故障诊断中，如集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）、局部均值分解（Local Mean Decomposition，LMD），局部特征尺度分解（Local Characteristic scale Decomposition，LCD）等。其中，EMD方法是一种有效的单分量分解方法，但是它也有一些缺陷，如缺少严格的数学证明，模态混淆；后来提出来的EEMD，LMD，LCD方法虽然对EMD方法进行了改进，但是，通过这些方法提取的特征仍然存在局限性。　　大量的研究结果表明，多变换域特征集能够充分地描述滚动轴承故障特征信息，为滚动轴承在变速和负载与速度未知的条件下运行的滚动轴承故障提供有效的诊断信息。改部分从时域、频域和时频域提出一种滚动轴承振动信号特征计算法方法，并将其构造成高维故障特征集。上述时域特征能体现滚动轴承早期的统计特性；而与时域分析方法相比，频域分析方法能够更简单地提供更详细的信息，得到的特征更有效，并且能体现滚动轴承在非平稳条件下的故障特性；而时频分布具有很高的时间-频率分辨率，不受内外干扰的影响。因此，为了从滚动轴承故障振动信号中提取全覆盖的特征，论文提出了多变换域特征提取方法，从振动信号提取到的多变换域特征能够有效地应用到滚动轴承的故障诊断中，实验结果证明了其优越性。　　（1）基于EMD方法的IMFSC特征提取　　①滚动轴承振动信号的EMD分解　　EMD方法对信号进行分解在三个假设作为前提基础：第一，信号当中至少包含一个极大值和一个极小值；第二，信号的特征时间尺度由极值间隔确定；第三，如果信号序列只有拐点而买有极值点，可对信号进行一次或多次求导获得极值点，最后结果通过这些成分求积分来获得。因此，首先利用EMD方法将滚动轴承原始振动信号分解成一系列的IMF分量之和的形式。　　②IMFSC特征集构造选取上一步分解得到的IMF分量中的前几个作为特征提取的对象，对每个分量提取其自适应统计特征并构成特征矩阵，即为IMFSC（Intrinsic Mode Function based Statistical Characteristics, IMFSC）。　　（2）多功能特征集（Multi-Aspect Feature, MAF）的建立　　①时域特征值的提取　　对滚动轴承原始振动时域信号分别提取均值、峰值、均方根值、偏度、峭度、脉冲因子等特征值构成时域特征集。　　②频域特征值的提取　　首先对滚动轴承原始振动信号进行快速傅里叶（Fast Fourier Transform，FFT）变换，将时域信号转换到频域，并分别提取滚动体特征频率值、外圈故障特征频率值、内圈故障特征频率值，从而构成频域特征集。　　③滚动轴承振动信号LCD分解及其特征提取　　首先利用LCD方法对滚动轴承原始振动信号进行时频分解，得到若干个分量，然后提取其自适应统计参数构成特征集。最后将上述三类特征值组合成多功能特征集（Multi-Aspect Feature, MAF）。　　（3）基于EEMD方法的高维特征值构造　　①利用EEMD时频分解方法对滚动轴承振动信号进行分解，得到若干个IMF分量。　　②选取分解得到的前几有用IMF分量，对每个分量提取其时域、频域统计参数，形成一个含有40个特征值的高维特征向量。　　在本节的研究中，针对滚动轴承振动信号的特征提取，首先在分析滚动轴承振动信号在时域特征、频域特征和时频分析各自的优点与局限性基础上，提出了三种滚动轴承振动信号的特征提取方法。第一，将时频分析EMD方法应用到滚动轴承的振动信号分解中，进而提取得到原始振动信号的IMFSC特征集；第二，构建了一种滚动轴承振动信号多功能特征集MAF，该特征集包括滚动轴承原始振动信号的时域特征、频域特征以及信号经过时频分析方法LCD分解后提取到的特征值；第三，提出了一种基于EEMD方法的高维特征提取方法，该方法首先利用时频分析EEMD方法对滚动轴承原始振动信号进行分解得到若干个分量，然后对有用的分量分别提取其时域、频域以及时频域的特征值，进而构造成一个含有40个特征值的高维特征集。通过本节的研究，为后续的滚动轴承实验故障诊断提供了三种有效的特征提取方法。　　2. 特征降维方法研究　　在滚动轴承故障诊断中，特征向量能代表滚动轴承的不同故障状态，能很好地体现原始振动信号的有效信息值。理想情况下，通过信号分析后提取到的特征集可以体现出轴承的故障信息。然而，这些提取的特征可能是一些高维特征向量，这不仅会增加后续识别的计算度，还会导致训练模型出现过拟合问题，从而会降低分类的准确性，因此在滚动轴承故障诊断中，为了提高分类识别的识别率，需要对提取到的高维特征数据进行降维分析。　　特征降维的目的不仅可以降低计算的复杂度，避免过拟合问题，还可以提高分类器的泛化能力。为了使分类具有更好的泛化功能，应该尽可能减少特征的数量，以满足训练样本的数量要求。虽然特征选择作为一种降维方法可以减少特征子集的维度，但是需要进一步降低子集的尺寸，同时，特征的分辨力不应被削弱。因此，特征的选择和维数的降低对于找到最有用的故障特征，并为分类提供内在信息方面非常重要。　　在过去的几十年里，许多数据降维方法被提出。例如奇异值分解（Singular Value Decomposition，SVD）、主成分分析（Principal Component Analysis，PCA）、线性判别式分析（Linear Discriminant Analysis, LDA）等方法。其中，SVD是线性代数中的一种重要矩阵分解方法，是矩阵分析中正规矩酉对角化的推广，并广泛应用在统计学，信号处理等领域；主成分分析（Principal Component Analysis，PCA）在统计学中是一种简化数据集的技术，能将多个指标转化为少数几个综合指标。它是一个线性变换，将高维特征集变换到一个新的坐标系统中，通过各个特征的贡献率来重构特征；线性判别式分析（Linear Discriminant Analysis, LDA）是一种监督学习的降维技术，通过将高维数据在低维度进行投影，投影后希望每一种类别数据的投影点尽可能的接近，而不同类别的数据与类别中心尽可能的远，从而对原始特征进行选择来降低特征的维度，但是这些方法都有其自身的局限性。基于此，论文提出了用于降维的广义判别分析（Generalized Discriminant Analysis，GDA）方法，它将LDA方法扩展到非线性数据领域，此外，还引入了自编码器网络来降低特征维度。因此，论文提出了一下三种特征集的降维分析方法。　　（1）基于IMFSC特征集和SVD的特征降维分析。　　①利用SVD方法对上一步信号分析中生成的特征集IMFSC矩阵进行奇异值分解。　　②根据SVD分解得到的有意义的奇异值，并将其构成新的特征集IMFSC-SVD。　　（2）基于GDA和MAF的特征降维分析　　①在LDA方法的基础上提出另外一种降维方法，即GDA。　　②利用GDA方法对振动信号分析处理后得到的MAF特征集进行处理，将高维的特征数据压缩为更加紧凑的特征子集，并将其作为后续分类器的输入。　　（3）使用自编码器(AutoEncoder, AE)对高维特征向量进行低维特征表示。高维特征向量由时间、频域统计参数和时频分析EEMD方法提取的特征组成，利用自编码器来缩小特征维度向量，即在用于分类的自动编码器的隐藏层的节点处生成低维且有意义的特征向量。　　本节主要针对原始特征集的降维分析研究展开，针对高维特征集在后续分类训练中计算量大，信息冗余，过拟合等问题，本节将SVD、GDA以及自动编码等降维分析方法引入到特征集的降维分析中，将高维特征空间映射到低特征空间，完成特征集的降维分析，得到更为紧致和有意义的低维特征集，针对上一节振动信号提取得到的三种特征集，提出了三种降维分析方法。第一，针对IMFSC特征集，提出了基于SVD分解的降维分析方法；针对MAF特征集，提出了基于GDA方法的降维分析方法；针对EEMD方法提取到的高维特征集，提出了基于自动编码器降维的分析方法。通过三种降维分析，对原始振动信号的高维特征进行降维，得到新的低维特征集，为后续滚动轴承的故障分类识别提供有效的输入数据。　　3. 机器学习方法研究　　在滚动轴承故障诊断的最后阶段，需要构建基于人工智能的机器学习分类识别模型，这些模型以从降维后的特征作为输入。对于滚动轴承故障分类，通常用机器学习算法来实现正确分类，如K最近邻(k-Nearest Neighbor，KNN)算法、支持向量机(Support Vector Machine，SVM)和人工神经网络（Artificial Neural Network，ANN）等，最近，深度学习也开始被应用到故障诊断领域。　　作为一种强有力的多分类方法，SVM是一种基于统计学习的机器算法，已经被广泛应用到模式识别、天气预报、机器人技术和故障诊断领域中。在SVM方法中最重要就是核函数和其参数的选择，这会直接影响到SVM方法使用时的效果，因此，这也引起了许多学者近些年对SVM模型核参数选着的研究。近年来，化学反应优化（Chemical Reaction Optimization, CRO）算法作为一种有效的启发式优化算法被广泛应用，CRO作为一种进化优化技术，它是从化学反应的本质理解的，可以在很短的时间内很好地解决优化问题。虽然CRO最近已经被广泛地应用到各个领域，但是它不能做到完全的自适应性，针对这一缺陷，有学者基于粒子碰撞和能量守恒定律的启发，提出了人工化学反应优化（Artificial Chemical Reaction Optimization，ACRO）算法，并将其应用到了许多复杂的优化问题中。基于此，论文将会把CRO算法和ACRO算法分别应用到SVM模型核参数的选择中。　　同时，随着深度学习网络（Deep Learning Network, DLN）发展，诸如深度信念网络、自动编码器以及卷积神经网络已经开始被应用于模式识别、医学信号分析、时间序列预测等不同的研究领域中，也有学者开始将深度学习引入到旋转机械故障诊断中。　　基于以上分析，因此，论文提出三种改进的机器学习模型。　　（1）针对SVM中核函数的参数优化选择问题，CRO算法应用到SVM中核参数优化中，提出了基于化学反应优化的支持向量机（Support Vector Machine based on Chemical Reaction Optimization, CRSVM）模型。该方法的具体过程如下：　　①参数初始化：初始化定义SVM中的核参数和惩罚因子以及CRO算法中种群数量、上下限和迭代次数。　　②设置迭代变量和步长。　　③元素的判断。采用劣化函数来评价每个元素的质量。　　④迭代停止判断，如果不能达到迭代判断条件则转入下一步。　　⑤更新SVM中的核参数和惩罚因子，并转入到步骤3中。　　⑥参数寻优结束，输出最佳的SVM参数和分类结果。　　（2）CRSVM可以解决SVM方法中核函数参数的优化选择，但CRO算法不能做到完全的自适应性，因此， ACRO应用到支持向量机核函数的参数优化选择中，提出基于人工化学反应优化的支持向量机（Support Vector Machine based on Artificial Chemical Reaction Optimization, ACRSVM）模型。该方法的详细步骤如下：　　①优化问题和算法参数的初始化。初始化SVM方法中的待优化参数，并设定优化目标函数及其变量的上下限。　　②设定ACRO算法中初始反应物并计算熵值。在这一过程中，利用统一种群方法将初始化反应物均匀地初始化到可行搜索区间。　　③应用化学反应。采用实数编码，利用化学反应产生新的反应物，并进行SVM模型的训练。　　④反应物更新。通过化学平衡测试来更新反应物，排除不良的反应物，并更新SVM中的参数。　　⑤算法的终止条件判断。若符合终止条件，则算法终止，若不符合，则返回上述第3步。　　⑥ACROSVM训练终止，输出优化后的最近参数和分类的精度。　　（3）针对滚动轴承不同程度损伤故障诊断问题，提出一种基于栈式自动编码器和SoftMax分类器的深度学习网络模型（Deep Learning Network, DLN）。该方法的主要步骤如下：　　①将提取得到的滚动轴承振动信号特征值输入到自动编码器中，通过自动编码器的无监督学习输出一个低维度有意义的特征集。　　②通过自动编码器学习得到的特征值来训练深度学习网络中的Softmax分类器。　　③通过反向微调整个深度学习网络中的参数，提高分类的结果，最后输出深度学习网络的最近分类精度。　　为了构造有效的滚动轴承故障识别分类模型，在本节研究中提出了三种用于滚动轴承故障识别的分类器。首先针对原SVM方法中参数的选择问题，将CRO算法应用到SVM的参数优化中，提出了CROSVM分类器；然后针对CROSVM方法中CRO算法的非完全自适应性问题，提出了ACROSVM分类器，进一步做到参数的完全自适应性选择。同时，通过对比发现，在同一数据集下，CRSVM和ACROSVM模型的分类精度都要好于原始的SVM分类器，验证了本节所提方法的有效性，为后续滚动轴承故障实验分类识别提供了两种有效的分类模型。最后，在对深度学习网络研究的基础上，结合自动编码器和SoftMax分类器，构造了一种深度学习网络模型，为后续滚动轴承的实验故障分类提供了另外的一种方法。　　基于以上研究，针对滚动轴承的故障诊断，结合滚动轴承振动信号分析与特征提取、特征降维分析方法以及基于机器学习的故障分类方法，论文最后提出了以下三种滚动轴承故障诊断方法：　　（1）将EMD方法和SVD相融合，提出了一种基于IMFSC-SVD的特征提取和特征选择方法，并与ACROSVM相结合，提出了基于IMFSC-SVD和ACROSVM的滚动轴承故障诊断方法。该方法首先利用EMD方法对振动信号进行分解得到若干个IMF分量，然后前几个IMF分量进行特征提取构成特征集IMFSC，再利用SVD方法对IMFSC进行分解得到IMFSC-SVD特征集，最后将生成的特征集输入到ACROSVM分类器中完成滚动轴承的故障分类识别。该方法在滚动轴承故障诊断应用中的详细步骤如下：　　①振动信号采集：采集滚动轴承在不同故障工况下的原始振动信号；　　②信号分解：利用EMD方法对滚动轴承原始振动信号进行分解，得到若干个IMF分量；　　③特征提取：首先利用自适应特征提取方法提取前几个IMF分量的特征构成特征集IMFSC，然后用SVD方法对IMFSC进行分解，得到更有意义的特征集IMFSC-SVD；　　④故障分类识别：首先利用ACRO算法对原始的SVM模型进行核函数的优化，构建ACROSVM分类器，然后将上一步生成的特征集作为ACROSVM分类器的输入，对滚动轴承故障进行分类识别；　　⑤结果输出：输出ACROSVM分类器对滚动轴承故障分类的结果。　　通过滚动轴承故障实验数据的分类实验表明：IMFSC-SVD特征集较IMFSC特征集在同一分类器中有更好的分类效果，同时经过ACRO算法优化改进的ACROSVM分类器比原始的SVM分类器能更好的对滚动轴承进行故障分类识别。　　（2）针对滚动轴承复合工况下的故障，提出了MAF-GDA-CRSVM方法。利用MAF表示轴承不同工况下复合振动信号特征，并用GDA方法对其降维，最后输入到CRSVM模型中。该方法在滚动轴承故障分类识别中的详细步骤如下：　　① 信号采集：采集两组不同实验平台条件下的滚动轴承故障工况的原始振动信号；　　②多变换域特征提取：分别提取滚动轴承原始振动信号的时域特征参数、频域特征参数和时频特征参数，构成一个多变换域的特征参数集(MAF)；　　③特征降维：利用线性判别分析方法(LDA)对上一步生成的多变换域特征参数集进行降维，得到降维后的特征集；　　④模式识别分类：首先利用CRO算法对原始SVM方法进行核参数的优化，构建CRSVM模型，然后把降维后的特征集作为CRSVM模型的输入，对滚动轴承故障进行分类识别。　　⑤分类结果输出：输出CRSVM模型分类的结果。　　通过两种滚动轴承故障实验数据集的分类，实验结果表明：以降维后的特征集作为分类器的输入不仅可以减少分类的时间，同时能取得更好的分类精度；同时经过CRO算法优化后的SVM模型CRSVM比原始的SVM模型具有更好的分类效果，验证了所提方法在滚动轴承故障诊断中的有效性，也为滚动轴承的故障诊断提供了一个新的思路。　　（3）针对滚动轴承不同程度损伤的故障识别问题，提出了基于EEMD-DLN故障识别模型。首先，利用EEMD方法对滚动轴承各种工况下的原始振动信号进行分解，得到若干个IMF分量；然后分别提取第一个IMF分量的时域统计参数和频域特征参数，将提取到的时域和频域特征参数构成一个高维的特征向量；最后将生成的特征向量输入到DLN模型中对滚动轴承的故障模式进行分类识别。在DLN模型的分类识别中，利用自动编码器对高维的特征向量进行无监督的自学习，生成一个重要而有意义的低维特征向量，然后利用Softmax分类器对其进行各种故障程度分类识别。该方法在滚动轴承的不同程度损伤的故障识别中应用的详细步骤如下：　　①采集滚动轴承在不同故障程度模式下的原始振动信号；　　②利用EEMD方法对滚动轴承不同故障程度下的振动信号样本进行分解，每个样本经过分解得到若干个IMF分量，然后提取每个样本分解得到的第一个IMF分量时域统计参数和频域统计参数，将得到的时域统计参数和频域统计参数构成一个高维的特征集；　　③将上一步的高维特征集输入到自动编码器中进行无监督的学习，经过学习生成一个有意义的特征向量集，然后将学习后的特征向量集输入到Softmax分类器中进行分类识别；　　④输出滚动轴承不同损伤程度分类识别的诊断结果。　　通过滚动轴承的不同程度损伤的故障实验分类识别，上述所提出的方法可以100%的完成分类识别，同时对比K-NN、FNN和SVM方法，结果表明论文上述提出的方法对比这三种方法都有最优的识别精度。