滚动轴承是一种在旋转机械中使用广泛的精密元件,它将运转的轴与轴座之间的滑动摩擦变为滚动摩擦,因此有机械的关节之称。滚动轴承的结构特点使得其运动摩擦系数小,摩擦损失小因而效率较高。同时滚动轴承结构紧凑安装拆卸方便,易于维修保养。滚动轴承不仅需要承受载荷,支撑转动的轴从而保证其旋转精度,而且需要传递载荷,同时滚动轴承工作环境差,这使得在旋转机械的所有故障中,滚动轴承发生的故障占有较大的比例。本文介绍了滚动轴承的组成结构和故障形式,并在此基础上,对正常运转状态下和发生故障时的滚动轴承振动信号的时域特征和频域特征进行了分析研究。之后初步选取了振动信号的十九个特征参数作为大数据故障诊断的输入参数。之后本文引入了BP神经网络,并根据多组对比实验确定了适合本文研究问题的神经网络的隐含层数目,通过对比实验对神经网络进行了算法优化和训练,克服了神经网络在解决本文研究的问题时存在的一些缺陷,使神经网络的精度测试和准确率测试达到了预期的要求。最后用训练好的神经网络对故障数据进行诊断,并对大数据的输入参数进行筛选,为利用大数据工具对滚动轴承进行诊断奠定了基础。随着信息技术的发展和数据的爆炸式增长,尽管大数据工具在工业生产和实践中己经有了广泛的应用,但在轴承故障诊断方面的应用较少。本文引入了 Spark机器学习库中的SVMWithSGD算法,并在前文分析的基础上对滚动轴承故障数据进行了处理,实现了轴承故障的分类,诊断效果优于神经网络诊断效果,验证了论文中利用大数据工具对轴承进行故障诊断的可行性。