滚动轴承是旋转机械的核心,但是由于其工作强度大、所处的工作环境恶劣,极易成为损坏部件。所以,及时对滚动轴承的故障类型进行识别判断,可以有效地确保机械系统安全运行,具有十分重要的意义。本文以滚动轴承为研究对象,将改进的经验小波变换和支持向量机结合,共同应用到滚动轴承的故障诊断中。本文的主要研究内容如下:首先回顾了故障诊断技术的发展历程以及对振动信号的处理方法,分析了滚动轴承发生故障的原因,从理论上推导分析了其故障特征频率和典型故障的振动特性。其次介绍了经验小波变换(Empirical Wavelet Transform,EWT)理论,因为其无法精确地实现Fourier谱的自适应分割,因此提出了一种基于能量的尺度空间经验小波变换方法(Energy Space Empirical Wavelet Transform,ESEWT),并且将此方法用于滚动轴承的故障诊断。首先使用尺度空间的方法对Fourier谱进行自适应划分,得到各频带分界点;接着根据各频带能量筛选频带分界点,使其保留能量大于均值的频带,合并小于均值的相邻频带;然后在得到有效的频带分界点后,设计滤波器组,得到分量信号;最后对各分量信号进行Hilbert变换,从中提取滚动轴承的故障特征频率。通过试验验证,ESEWT方法能够减少频带分界点,在一定程度上改善频带破裂现象,并且能够精确提取滚动轴承的故障特征频率,凸显故障频率及其谐波成分,有效地判断轴承故障。最后介绍了统计学理论和支持向量机(Support Vector Machine,SVM),提出了基于ESEWT和SVM的滚动轴承故障诊断方法。该方法对振动信号进行ESEWT分解,分别提取振动信号的峭度、脉冲因子、峰值因子、裕度因子和经ESEWT分解后分量信号的奇异值熵、能量熵、排列熵、样本熵共同做为特征向量,输入到SVM模型中进行训练得到故障分类器,并且对测试样本进行分类识别。经过实验验证,该方法具有较高的分类准确率,证明了其在实际工程应用中的可靠性和实用性。