作为旋转机械的重要组成,滚动轴承的运行状态将直接影响机械设备的安全与稳定。由此,对滚动轴承的故障(尤其是早期故障)进行定位与排除显得尤为重要。滚动轴承早期故障信号是典型的非线性非平稳信号,该信号特征不明显,易于被噪声淹没。因此,需要对该信号进行降噪处理、故障特征提取以及模式识别,来提高故障识别的精准度。由此,本课题《基于流形学习和优化极限学习机的滚动轴承故障诊断方法研究》应运而生。本文以滚动轴承内圈、外圈、滚动体故障信号作为研究对象,以流行学习、变分模态分解、优化极限学习机为基础,针对信号去噪、故障特征提取、模式识别三方面展开深入研究。主要研究内容如下:阐述了滚动轴承故障诊断的研究背景、意义及其发展历程,介绍了滚动轴承故障诊断的国内外研究现状,分析了滚动轴承的故障成因与振动机理,计算了滚动轴承的故障特征频率,并详细阐述了目前常用的故障特征提取方法和模式识别方法。对流形学习理论进行了研究,介绍了等距映射(Isometrical Mapping,ISOMAP)、局部切空间排列算法(Local Tangent Space Alignment,LTSA)、局部保持投影算法(Locality Preserving Projection,LPP)、拉普拉斯算子映射算法(Laplacian Eigenmaps,LE)、局部线性嵌入算法(Locally Linear Embedding,LLE)等几种常用的流形学习算法。选取其中的典型非线性降维算法:LTSA、LEE、ISOMAP与线性降维算法:主成分分析算法(Principal Component Analysis,PCA)对故障信号进行了降噪处理,同时以均方根值和近似熵作为量化评价指标,对降噪结果进行量化评价。实验结果表明,LTSA在滚动轴承故障信号去噪方面具有较大的优势。接着分析并仿真研究了参数对变分模态分解(Variational Mode Decomposition,VMD)的影响,选取了三种不同类型的仿真信号,研究对比了 VMD与经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)在含噪声情况下、不同频率组合情况下以及特征频率相近情况下的分解效果,并重点对模态混叠、虚假分量、过分解等现象进行了分析。针对参数对流形学习降维算法的影响,提出了以故障特征能量比(Fault Feature Energy Ratio,FER)为目标函数,利用网格化搜索方式的自适应流形学习算法,来对轴承信号进行降噪处理。对降噪后的信号进行VMD分解,提出了以峭度、相关度、包络熵为综合评价指标的模态分量选取、重构方法,得到了最优的模态重构分量。进而对该最优模态分量进行了包络谱分析,提取得到了故障特征频率。提出了将模态分量构成的矩阵进行奇异值分解,得到信号奇异特征值,将其作为模式识别算法的训练和测试样本数据集的数据来源。分析了隐含层节点数和激活函数对于极限学习机(Extreme Learning Machine,ELM)模式识别准确率的影响。并利用蛙跳算法选取了最优的参数组合作为ELM算法的参数输入。进而研究了在不同故障尺寸数据集、不同模式识别方法下的故障模式识别准确率,并对测试样本数一定、训练样本数不同时的模式识别准确率进行了仿真研究。