滚动轴承是旋转机械的重要部件,滚动轴承的质量分级有利于提高轴承的分类应用。传统的滚动轴承质量检测依靠抽检方案中的接收数和拒收数,判断该批次轴承是否合格从而进行质量等级划分,这种方法繁琐且精确度不高。基于此,提出了基于振动信号及其变换图像的滚动轴承质量等级评估方法。具体研究方法如下:针对滚动轴承质量等级评估过程中振动信号特征提取较难且模式识别方法精度低等不足,提出了变分模态分解(VMD)和支持向量机(SVM)的滚动轴承质量等级评估方法。通过VMD方法对仿真信号分析,证明了方法对混合信号分离的有效性。首先利用VMD方法对优等品、一等品和合格品轴承的振动信号分解为6个本征模态函数(IMF);其次,使用互信息判定方法优化最佳的IMF分量数,并对其进行奇异值分解(SVD),得到奇异值特征;最后将奇异值特征作为SVM的输入变量构建轴承质量等级预测评估模型。实验结果表明:与EMD-SVD-SVM模型相比,VMD-SVD-SVM轴承质量等级评估模型更优,预测集的平均识别率由87.67%提高到90.33%,说明VMD方法有利于轴承振动信号细节特征信息的提取,能够有效提高振动信号的分辨率。针对滚动轴承振动信号特征提取不充分导致识别率低的问题,提出了多域特征的滚动轴承质量等级评估方法。分别采用统计分析、快速傅里叶变换(FFT)、VMD三种方法从多域方面(时域、频域和时频域)提取滚动轴承振动信号特征信息,全面挖掘原始振动信号的状态信息和固有特性;其次,引入拉普拉斯分数(LS)算法,根据每个特征的重要性,保留敏感特征并去除冗余信息,提高计算效率;最后,将选择的特征作为SVM的输入变量构建轴承质量等级预测评估模型。实验结果表明,通过对振动信号多域进行分析,可以充分提取特征并且提高了滚动轴承的质量等级评估的识别率,预测集的平均识别率可达92.50%。针对滚动轴承振动信号的非平稳性,结合图像处理技术的直观性优点,提出了将振动信号变换为振动图像的滚动轴承质量等级评估方法。首先,将一维振动信号按照一定规律变换为二维振动图像;其次,引入梯度方向直方图算子(HOG)算法,对二维振动图像提取HOG特征;最后将HOG特征作为SVM的输入变量构建轴承质量等级预测评估模型,并采用轴承故障的公开数据集与和轴承质量分级实验数据集进行验证。实验结果表明:对于不同故障类型轴承的公开振动信号数据集,与振动信号-SVM模型相比,其振动图像-HOG-SVM轴承故障诊断模型可得到更优的分析结果,预测集的平均识别率由95.62%提高到99.63%;对于不同质量等级的实验轴承数据集,与直接采用振动信号建立SVM分级模型相比,其振动图像-HOG-SVM轴承质量分级模型更优,预测集的平均识别率由84.83%提高到95.83%。表明将振动信号转化为振动图像,然后进行特征提取能够较好地实现滚动轴承的质量等级评估。针对传统机器学习算法无法实现深层次特征提取的问题,提出了基于振动图像和深度学习的滚动轴承质量等级评估方法。首先,将一维振动信号按照一定的规律变换为二维振动图像;其次,使用卷积神经网络(CNN)对二维振动图像进行特征提取,然后进行质量等级评定。依旧采用轴承故障的公开数据集和轴承质量分级实验数据集进行验证。实验结果表明:对于公开故障诊断数据集,预测集的平均识别率可达100.00%。对于轴承质量分级实验数据集,预测集的平均识别率可达98.16%。计算结果均比振动图像-HOG-SVM模型略有改善。因此,将振动信号变换为二维振动图像后结合深度学习方法能够实现滚动轴承质量等级的高精评估,表明深度学习可以实现深层次特征提取。