滚动轴承是机械设备中主要的基础旋转部件之一,同时也是机械设备主要的故障源之一。因此,开展关于滚动轴承故障机理与诊断方法的研究工作对于及时发现并排除滚动轴承故障,以保证机械设备正常运转、提高生产效率和生产质量具有重要的理论和实际工程意义。本论文以数控机床进给工作台中滚珠丝杠轴端的滚动轴承作为研究对象,综合分析了滚动轴承故障产生机理及其常见失效形式、常用故障诊断方法及其适应性。考虑到滚动轴承故障产生的随机性、传感器的测量误差、环境的复杂性等因素会导致实验获得的故障信息具有随机性、不确定性和不完全性等特点,采用外部多传感器与提取机床内部伺服信息相结合的方法获取滚动轴承的多源故障信息,借助相应的信号处理与信息融合方法实现了对多源信息的数据级、特征级和决策级融合,搭建了一套基于多源不确定信息融合的数控机床滚动轴承故障诊断系统。主要研究工作如下:从滚动轴承的结构特点入手,研究了滚动轴承的故障产生机理、常见失效形式和常用故障检测方法及其适应性,确定了本文选取的故障检测方法、外置传感器类型以及传感器安装测点;根据机床内部伺服信息与滚动轴承故障状态之间的关系,选择并提取了部分机床内部伺服参数;基于NI PCI-6143多通道采集板卡与Lab VIEW软件平台搭建了多通道数据采集系统。基于对滚动轴承故障信号非线性、非平稳性的考虑,引入统计学理论与小波包分解方法,对滚动轴承故障信号进行了时域、频域和时频域分析并提取了相关特征值;为有效剔除冗余信息、简化故障诊断过程并提高故障诊断效率,应用粗糙集理论实现对故障特征值的筛选,建立故障特征值的训练集与测试集。引入SVM方法,将数据采集、特征提取与筛选和模式识别相结合,建立了一套基于多源信息融合的滚动轴承故障诊断系统,实现多源信息数据级与特征级融合;为优化SVM诊断效果,引入遗传算法对SVM网络的部分参数进行了优化。考虑滚动轴承故障信息的随机性、不确定性和不完全性特点,提出了基于云模型和证据理论的多源不确定信息融合方法。研究了云模型中云参数的获取方法,通过云模型获取证据矩阵;提出一种改进D-S证据理论的方法对证据融合权重重新分配后进行融合;将云模型与改进D-S证据理论相结合,实现对滚动轴承故障模式的识别,通过实验证明了该方法的可行性。