旋转机械作为传动系统的一部分,在工业生产中承担着重要的工程任务,而滚动轴承在旋转机械中应用广泛。在各种复杂的工况下,滚动轴承容易发生故障而使得整个传动系统无法平稳安全的运行。因此,对滚动轴承的故障进行诊断,及时发现故障并处理,是十分必要的。由于滚动轴承的故障伴随着振动和噪声,因此,对测量信号的滚动轴承故障特征进行提取是故障诊断最常用的方法。在进行信号处理时,往往需要排除各种噪声的干扰才能有效地完成特征提取。本文围绕在不同噪声干扰下滚动轴承故障特征提取的方法进行研究。介绍了经典方法去除背景噪声的局限性,并以此为依据,对指标、优化算法、稀疏模型和迭代收缩算法等特征提取相关理论进行了深入的研究,分别在脉冲噪声、调制和谐波以及白噪声的干扰情形下完成特征提取。具体的研究内容和成果如下:首先,针对脉冲噪声的干扰,提出了一种基于自适应谐次峭度和改进蝙蝠算法的滚动轴承特征提取方法。该方法根据阈值的设定,构造了自适应的谐次峭度指标,可以依据信号潜在的故障类型而进行频域窄带峭度计算;然后,应用和改进蝙蝠优化算法,随机、加速和精细搜索最佳共振频带;通过以上两个方面的改进,该方法可以在脉冲噪声的干扰下,完成对单一乃至复合故障的特征提取。然后,研究了调制和谐波及白噪声综合影响下的滚动轴承故障特征提取方法。首先,利用Fourier字典和OMP算法将调制和谐波去除;其次,针对剩余白噪声,构建了近似L1-L0稀疏模型,提出基于非凸稀疏正则化和改进的并行坐标下降的迭代字典学习算法,提高了字典学习速度,并有效地增强了信号中的冲击特征。最后,通过将提出的两种方法综合应用到5T-85型变速箱的滚动轴承故障特征提取中,成功提取出故障特征,进一步证明提出的方法的有效性和在工程中的应用潜力。综上,本文考虑不同噪声的影响,提出了两种有效的特征提取方法,并通过对比实验和工程验证表明了两种方法的优越性。