滚动轴承作为机械设备中的关键部件,它的运行状态关乎系统的稳定性和可靠性。利用合适的信号处理方法对滚动轴承进行故障诊断是至关重要的。滚动轴承故障诊断包含两部分内容:故障特征提取和模式识别。本文以新兴的信号处理方法-稀疏表示方法,对滚动轴承进行故障诊断。在故障特征提取方面,做了三方面改进:其一,通过稀疏表示方法和频域相关峭度相结合,将频域相关峭度引入字典构造环节,改进了字典构造的方式,利用频域相关峭度的值,在过完备字典中选择与故障特征最相似的原子,减少了匹配原子的数量,保证了稀疏表示方法的简洁性;其二,将改进的稀疏表示方法用于信号的去噪,去噪完的信号再进入小波包、EMD和EEMD中实现信号的二次去噪、重构和提取故障特征,改善了提取故障特征的效果;其三,对稀疏表示算法OMP算法进行了改进,得到了改进的OMP算法-ROMP算法,提高了信号重构的能力。在模式识别方面,利用PSO算法对LS-SVM参数进行了优化,得到了优化的LS-SVM,大大提高了滚动轴承的故障分类准确率。本文主要研究内容如下:阐述了选题的背景和研究的意义,总结了滚动轴承故障诊断的国内外研究现状和发展趋势,分析了滚动轴承故障形成原因和故障机理。将稀疏表示方法和频域相关峭度相结合,得到改进字典构造方式下的稀疏表示方法,在频域相关峭度最大值的位置,确定被选原子。经过仿真和实验验证,与传统的K-SVD结合OMP稀疏表示方法相比,在去噪、重构和提取故障特征方面的能力得到显著提升。改进了OMP稀疏表示算法,得到ROMP算法。经过仿真和实验验证,与OMP算法相比,提高了稀疏重构性能。将改进的稀疏表示方法用于信号的去噪和滤波,去噪完的信号再进入到小波包、EMD和EEMD中。经仿真和实验验证,与未经稀疏表示去噪的小波包、EMD和EEMD方法相比,提高了故障特征提取的能力。利用PSO算法对LS-SVM参数进行了优化,优化后的参数输入到LS-SVM中训练,得到最佳的LS-SVM模型。经过仿真和实验验证,与不经过优化的LS-SVM相比,大大提高了滚动轴承故障分类的准确率。最后,利用MATLAB GUIDE设计了滚动轴承故障诊断平台软件,实现了人机互动,具有实践意义。论文共有图102幅,表1个,参考文献67篇。