随着工业化的发展,越来越多的行业采用大型自动化设备进行生产,而滚动轴承作为大型自动化机械设备常用的部件之一,如果它在运行过程中出现故障,就会对原本正常的生活及生产造成巨大的影响,甚至我们的人身安全也可能因此而受到威胁。所以针对滚动轴承的故障诊断研究便具有了极其重要的意义。本文围绕滚动轴承故障的信号特征提取、特征融合及故障识别等问题展开研究,主要研究内容包括以下几个部分:(1)针对滚动轴承在噪声背景下故障特征难以提取的问题,研究了一种广义形态差值滤波和时域特征提取相结合的滚动轴承故障诊断方法。该方法首先将广义形态差值滤波方法应用于原始信号,滤除原始信号中的噪声成分;其次,计算降噪后信号时域指标,获得一系列的特征指标值;最后,将提取的特征指标作为极限学习机(extreme learning machine,ELM)模型输入,建立ELM故障分类模型,对滚动轴承不同运行状态进行辨识。从实验结果可以得出结论:振动信号在经过广义形态差值滤波的处理后,其特征变得更容易区别。(2)针对多域特征集比单域特征能更全面准确地反映故障特性但是会导致模式识别算法性能下降的问题,提出了多特征提取与核主成分分析(kernel principal component analysis,KPCA)相结合的故障诊断方法,该方法首先利用固有时间尺度分解(intrinsic time scale decomposition,ITD)对振动信号进行分解,并分别计算各固有旋转(proper rotation,PR)分量的时域、频域与熵值特征;然后,利用KPCA将得到的特征进行二次提取,并将二次提取后的特征集构建ELM故障诊断模型,实现对滚动轴承各种状态的识别。轴承实验结果表明该方法可以有效去除特征间的冗余信息,实现对滚动轴承快速、准确地诊断,具有很好的实际应用价值。(3)针对时域、频域与熵值特征都属于单一尺度特征,难以全面反映轴承运行状态从而导致故障识别率低的问题,提出了基于多尺度特征提取与核主成分分析的轴承故障诊断模型。该模型在基于多特征提取与KPCA的滚动轴承故障诊断的基础上,利用多尺度在信息提取上的优点,将多尺度特征值作为特征向量,再对特征向量用KPCA进行融合,最后用融合的特征向量建立起ELM故障诊断模型,实现对滚动轴承状态的识别。与传统的单一尺度特征提取方法相比,多尺度特征提取在时域特征的基础上添加了尺度因子,添加后能让方法得到极大的改良,具有度量时间序列在不同尺度因子下复杂性的优势。