旋转机械是机械设备中的一个重要大类,它们在电力、冶金、采矿、运载工具等国家支柱行业和关系到国家安危的军工行业中都有着广泛的应用。随着科学技术的进步,旋转机械设备正朝着大型化、复杂化、精密化的方向发展,且数量也在迅速增长。然而,旋转机械设备所处的工作环境恶劣,并且通常是连续满负荷地运行,这些都决定了旋转机械设备发生故障的概率较高。滚动轴承作为旋转机械的重要组成部分,针对其进行的故障诊断研究具有非常重要的理论和现实意义。滚动轴承的振动信号往往具有噪声、非线性、非平稳的特点,导致采集到的信号不能够直接获取准确的故障信息,因此本文以滚动轴承的振动信号为研究对象,深入研究了滚动轴承的故障诊断方法,主要研究内容包括:介绍了局域均值分解(Local Mean Decomposition,LMD)方法与经验模态分解(Empirical Mode Decomposition,EMD)的基本原理与性质,详细对比了两种方法的异同点,尤其从算法步骤以及计算结果的角度,突出了局域均值分解的优越性,包括PF分量可以更准确地反映信号局部波动;没有过包络与欠包络问题;端点效应较轻微以及瞬时频率更加精确等。同时在对LMD方法总结的基础上,为进一步改进该算法做准备介绍了端点效应的产生原因,并提出解决问题的思路——延拓端点。之后分别研究了支持向量机(Support Vector Machine,SVM)与余弦窗的性质,并提出SVM与余弦窗结合的端点延拓方法。再针对LMD方法存在的模态混叠问题,阐述了该问题产生的原因,根据前人对EMD方法模态混叠处理的手段,提出了自适应噪声的完备总体局域均值分解方法(Complete Ensemble Local Mean Decomposition with Adaptive Noise,CELMDAN),实验证明该方法能够更好地处理振动信号的非线性、非平稳问题。介绍了包络谱分析的基本原理,针对其分辨率不佳的问题,引入随机共振模型(Stochastic Resonance,SR)。在充分阐述了SR模型的原理和性质后,了解到系统参数选择的不足,提出粒子群算法(Particle Swarm Optimization,PSO)改进的SR模型,以输出信号信噪比为优化目标,利用PSO优秀的全局搜索能力,实现了输出信号信噪比的最大化,并将改进后的模型与包络谱分析方法相结合,以西储大学滚动轴承信号为基础,有效地提高了包络谱分析对特征频率的识别能力。针对时频分析方法存在的准确率不足问题,引入智能识别方法——神经网络。首先详细介绍了样本熵、排列熵与模糊熵的原理与性质,选定模糊熵为神经网络训练特征。通过极限学习机(Extreme Learning Machine,ELM)与传统神经网络的对比研究,选定ELM作为本文的训练模型。最后,通过实验信号的验证,证明了该方法能够准确有效地识别滚动轴承的故障特征。文章最后对工作进行了总结,并对相关的研究技术进行了展望。