随着现代化工业的发展和科学技术的进步,工程车辆、轨道交通、能源石化等机械设备的技术发展也是日新月异。为适应各种复杂多变的作业环境,机械及装载设备不断朝着高速化、复杂化、智能化方向发展。轴承是实现这些机械设备运动转换和动力传输的重要部件,由于长期疲劳、高温等恶劣环境,会造成其失效,继而可能使得机械设备出现故障。振动信号是机械系统中机械动力的外在表现,当轴承等零部件出现局部故障时,振动信号中便会产生瞬态冲击响应成分,这些冲击的成分特征和幅值与轴承故障点的位置有关。因此,从振动信号中提取反映轴承局部故障的瞬态冲击响应成分,从而可以判断轴承故障的类别,是轴承故障诊断中的关键问题。本文以机械故障诊断为目标,以机械系统关键部件滚动轴承为研究对象,旨在提取故障信号的瞬态特征,提出了两种基于卷积滤波的信号特征提取方法,并从理论和实验上对相关问题进行了深入的研究与分析。首先分析了滚动轴承故障失效形式,计算了不同失效形式下的特征频率,分析不同失效形式下轴承的振动信号,为研究信号特征提取的合理性和必要性提供了理论支持;阐述了基于最小熵卷积滤波的基本理论及逆滤波器系数的求解过程,进而构建了基于最小熵解卷积的信号分析方法。通过仿真信号分析进一步真实展示了最小熵解卷积在信号特征检测中稀疏准则单一性造成的提取效果不稳定的问题,反映了其滤波结果受逆滤波器长度的影响等缺陷。最后,通过结合滚动轴承局部故障振动信号具有“稀疏性”的本质,引入了卷积滤波对故障振动信号进行特征提取,并提出了基于卷积滤波进行瞬态特征成分提取的研究策略。针对最小熵解卷积方法中稀疏准则的单一性与不稳定性,研究了基于广义P算子稀疏准则下的卷积滤波方法,该方法基于广义P算子稀疏准则,在不同噪声背景下可选取最优稀疏准则,使其具有较强的抗噪性,且无任何参数输入。首先利用归一化频率能量比找寻最优P算子,再结合最优P算子的稀疏准则优化逆滤波器,达到最优滤波效果。仿真信号分析结果表明提出的广义P算子稀疏准则下的卷积滤波方法能够准确地提取出轴承故障特征,而且在不同信噪比下,提出方法均具有稳定可靠的故障特征提取能力。轴承全寿命实验数据与轮轨车辆轴承故障模拟实验数据分析结果均验证了提出的广义P算子稀疏准则下的卷积滤波方法相比于现有MED等故障诊断方法,在检测故障及早期微弱故障特征方面可靠性更高、优势显著。进一步,针对强背景噪声下信号“稀疏性”较差而导致最小熵解卷积方法对故障特征提取能力较差的缺陷,本文首次将以l0范数的正则思想为基础的卷积滤波方法引入旋转机械故障诊断领域,提出了基于l0范数正则下的卷积滤波方法。通过在最小熵解卷积方法滤波迭代时对滤波信号使用l0范数进行稀疏正则,该方法克服了传统最小熵解卷积方法在强背景噪声下更易解卷初单个冲击,并且解卷效果不稳定,对逆滤波器长度较为敏感等缺点。轴承仿真故障振动数据的分析结果表明,该方法对不同逆滤波器长度下的故障特征提取具有较好的鲁棒性,能够很好的识别与提取强背景噪声下的故障特征。轴承全寿命实验数据与轮轨车辆轴承故障模拟实验数据分析结果也验证了所提方法的有效性与优越性。本文研究表明,基于广义P算子稀疏准则下的卷积滤波方法与基于l0范数正则下的卷积滤波方法能够有效地克服最小熵解卷积方法的一些不足,并提升信号的“稀疏性”,可有效提取轴承局部故障时所产生的瞬态冲击响应成分,对旋转机械故障特征提取与故障诊断有一定的理论和实用意义。