现代工业迅猛发展,作为最重要设备结构之一的旋转设备日益趋于大型化、智能化,同时应用领域也不断扩大,涉及工业、能源、交通、船舶、航空等众多行业,与国民生产安全紧密相连,一旦这些设备发生故障,在一定程度上可能会造成事故,造成巨大的经济损失和社会影响,甚至危及人身安全。“中国制造2025”规划更是将提升产品质量,提高重大装备可靠性(质量稳定性)规划为八大战略行动计划之一。因此,针对旋转设备的故障诊断就变得意义重大。轴承是旋转设备中最常见的结构之一,本课题以此为研究对象,深入研究现有技术积累,总结前人经验,展开转动机器故障诊断的相关原理、新方法以及新技术的研究。1.课题研究同步压缩小波变换算法,将其引入滚动轴承故障诊断中,首先搭建滚动轴承故障实验平台采集滚动轴承故障数据,使用小波变换对其进行分析后,再使用同步压缩对小波变换后的系数进行压缩,对比短时傅里叶、小波变换,实验结果证明同步压缩小波变换能够有效提取出滚动轴承特征频率;2.课题使用滚动轴承实验平台采集受强噪声影响的滚动轴承故障信号,并降低滚动轴承故障伤口尺寸,使用经验模式分解、局部特征尺度分解、变分模态分解对信号进行处理降噪,同时使用最大峭度指标优化VMD算法,再使用同步压缩小波变化算法对有效分量进行处理分析,对比包络、同步压缩小波变化算法处理结果,证明该方法能够有效抑制噪声,提取滚动轴承特征频率;3.使用近似熵作为滚动轴承故障信号的特征参量,并将局部特征尺度分解算法引入核极限学习机。使用局部特征尺度分解算法将信号进行分解,计算每个分量的近似熵值,选择一部分近似熵进行训练,将剩余数据作为测试数据进行测试,实验结果验证该方法能够有效判段滚动轴承常见故障现象。