机械轴承由于在不断工作过程中会有磨损,经常会有故障产生。因此有必要发展出对其故障诊断更完善的体系。本文在分析轴承故障的研究现状的基础上,提出了一种基于改进CAO算法相空间重构和ACFPA-ELM轴承故障诊断的研究理论。首先,介绍了轴承故障的各个参数,并在此基础上针对写参数改进CAO算法求解最佳嵌入维数的方法,结合符号分析法求取极大联合熵,通过几组数值仿真实验,对比分析,验证了该方法可以完美地重构原系统的相空间。从而能够得出结论,本文方法可以更好地求取最佳嵌入维数。然后,在相空间重构参数能够准确确定的基础上,介绍了奇异谱的基本理论,针对性的以其作为该系统的特征量,并对它的抗波动能力和抗噪声能力分析。在此基础上对其特性进行理论的分析,在泛函分析角度讲解了其特征空间和噪声平台。然后对工业用滚动轴承在其不同结构损伤的情况下运行时所发出的振动信号进行分析,从而验证了其理论的有效性。接下来,本文提出了基于改进花授粉算法优化ELM的分类识别方法,介绍了ELM的结构组成和优缺点;引入花授粉算法,花授粉算法是一种群智能优化算法,能快速准确的寻找到最优的隐含层和连接权值;在此基础上,本文提出了Tent混沌搜索,这种基于反向学习的混沌映射方法,可以提高初始配子的分布质量;通过对比实验,证实了本文所提出的ACFPA-ELM在单隐层的神经网络分类的高效性精准性。最后,将美国高校实验平台的滚动轴承故障实验数据以及宝钢SP1580轧机所发布的实测数据应用于本文所研究方法中求取相空间重构参数,进行混沌奇异谱分析来提取出轴承混沌信号的特征量,用优化后的花授粉算法优化ELM对其机械故障进行故障诊断和识别。通过对比分析,结果表明,本文所提出的方法能准确识别轴承的各种故障