滚动轴承是机械设备中的核心精密部件,在设备运转过程中起承接负载、传递载荷的作用,被广泛应用于冶金、化工、航天等重要领域。滚动轴承一旦发生故障没有及时排查,轻则导致生产停滞,重则造成人员伤亡。研究表明滚动轴承发生故障时,轴承振动信号表现出明显的非线性、非平稳特性。如果能够在线对滚动轴承运行状态进行有效监测,对获取的有效信息进行合理判断,及早发现故障并进行维修,对保证系统稳定、平稳运行,预防安全事故的发生具有重要意义。论文以滚动轴承为研究对象,主要研究了基于振动信号的轴承故障特征提取及诊断方法,论文主要研究内容如下:①针对滚动轴承故障信号特征信息容易被噪声淹没的问题,提出自适应最大相关峭度反卷积方法实现滚动轴承故障信号降噪。充分考虑最大相关峭度反卷积能够增强含噪信号中的周期冲击信号的优势,将相关峭度设为评价标准,设定经最大相关峭度反卷积后的信号包络谱熵作为适应度函数,采用增强领导型粒子群算法对最大相关峭度反卷积的参数进行寻优,实现自适应最大相关峭度反卷积方法对滚动轴承故障振动信号的增强;②针对滚动轴承故障特征提取困难的问题,提出融合自适应变分模态分解和奇异值分解的故障特征提取方法。以任意模态之间的相关系数为指标,确定变分模态分解中的合理模态个数,实现对轴承振动信号的自适应变分模态分解。将模态矩阵进行奇异值分解计算得到奇异值向量,表征滚动轴承的故障特征向量,用以提高对其的辨识度;③针对滚动轴承故障识别的问题,采用遗传算法优化支持向量机实现小样本条件下滚动轴承的故障诊断和模式识别。采用高斯函数作为核函数,将低维输入空间中的样本映射到高维特征空间,利用遗传算法对支持向量机惩罚系数和高斯核函数参数进行最优参数确定,实现支持向量机在滚动轴承故障诊断方面的自适应性。