滚动轴承作为当代机械设备中举足轻重的零部件,在工业生产中起着至关重要的作用,但也是易损部件之一。随着现代机械设备高速化、自动化和系统化的发展,滚动轴承工作环境变得更加复杂,从而更加考验其保证机械设备甚至工业生产线正常运作的能力。如不及时发现滚动轴承故障,将给机械工作安全带来极大隐患,严重的会导致重大生产事故。因此,及时地检测出轴承故障特别是早期故障,可以提前对机械设备进行维护,避免停机维修和不必要的损失。鉴于传统的振动信号对轴承早期故障不敏感的缺点,本文应用声发射技术获取轴承声发射信号,开展故障诊断方法研究,并开发了配套的在线监测软件。针对轴承声发射信号非线性、易受噪声干扰的特性,研究有效的特征提取与评估方法。对声发射检测技术及其信号处理方法进行探讨,采用小波变换方法对声发射信号降噪处理。对比分析了经验模态分解与变分模态分解两种信号分解算法,并选择提取效果更优的变分模态分解做信号分解。在此基础上,计算奇异值、能量值和包络排列熵等特征,并结合原信号包络重心频率建立特征集。利用补偿距离评估技术对特征集评估,并根据敏感因子大小筛选敏感特征。针对轴承的故障诊断方法,采用基于HMM-SVM串联的故障诊断模型。对隐马尔科夫模型(Hidden Markov Model,HMM)和支持向量机(Support Vector Machine,SVM)开展深入研究,讨论分析了两种算法的相关理论和它们的优缺点,结合HMM擅于识别连续动态信号状态和SVM适合小样本分类的优势,建立HMM-SVM故障诊断模型。在轴承的HMM模型中,采用高斯混合模型描述轴承的连续特征向量。采用网格搜索法对SVM的惩罚因子C和核函数参数g进行寻优。利用单独的HMM、SVM模型和HMM-SVM模型分别对不同轴承状态进行识别,结果表明HMM-SVM具有更好的识别能力。针对轴承故障诊断在线监测的需求,开发了基于Labview与Matlab平台的轴承声发射信号故障诊断软件。本文开发的诊断软件包括数据采集与存储、数据处理与分析和智能故障诊断三大部分。利用不同转速、不同故障类型的轴承在机械故障模拟实验台上开展模拟实验,并采用本文开发的诊断软件对声发射信号进行采集、存储与分析。通过实验数据验证了该故障诊断软件能够实时地、准确地识别出轴承的运行状态。