滚动轴承在各种机械设备中发挥重要作用,其健康状态与机械设备的安全稳定运行密切相关。针对滚动轴承进行开展的故障诊断技术的研究,不仅可有效提高机械设备运行的可靠性及安全管理水平,同时还具有重要的理论应用价值。本文对滚动轴承故障诊断方法的研究主要是特征提取和模式识别。研究工作如下:第一,本文基于振动信号处理的方法对具有非平稳特性的滚动轴承故障振动信号先进行信号预处理,分析比较了常用的信号处理方法,最后选取了在处理非平稳信号方面有优势的基于改善小波变换的小波包分析的时频域处理方法。然后,应用小波包变换对轴承振动信号进行降噪并提取特征信息,构建输入分类器的有效特征向量。第二,在构建特征向量后,使用基于极限学习机的诊断模型进行轴承状态的模式识别。针对随机初始化极限学习机输入权值和隐藏层阈值带来的问题,利用蜻蜓算法在寻优速度和全局寻优能力上的优势,对极限学习机的输入权值和隐藏层阈值进行参数寻优。构建基于蜻蜓算法优化极限学习机的诊断模型,将该模型应用于滚动轴承的故障诊断,实验结果证明了该模型的有效性,且该模型对滚动轴承故障的测试速度和诊断准确率相比于极限学习机模型有了一定程度的提高。第三,针对蜻蜓算法在优化过程中存在的问题,引入自适应学习因子并且融合差分进化策略对蜻蜓算法进行改进,改进后的蜻蜓算法稳定性、收敛速度和精度等性能比较好。本文提出了用改进的蜻蜓算法对极限学习机进行输入权值和隐藏层阈值的参数寻优,构建了基于改进的蜻蜓算法优化极限学习机的诊断模型,将该模型用于滚动轴承的故障诊断,进一步提高极限学习机的轴承故障诊断性能。本文使用MATLAB工具对所使用的方法进行实验验证。小波包变换能有效地对轴承振动信号进行降噪和特征提取。构建的基于改进蜻蜓算法优化极限学习机的诊断模型能有效地对滚动轴承进行故障诊断。该模型不仅提高了极限学习机模型的诊断结果的稳定性,而且,与其它模型相比,该模型在收敛精度和收敛速度以及分类准确率上有一定的优势。