滚动轴承在各种机械设备中起着关键的作用，同时它又是一种非常容易发生故障的零部件之一。滚动轴承的正常工作对保证生产制造过程中的安全、高效、优质运行意义非常重大，一旦发生故障，不仅会影响整个系统的正常工作，影响经济效益，甚至会危及人身安全。因此对于滚动轴承故障诊断的研究非常重要。　　损伤轴承在运转过程中，由于临近部件相互影响等因素，其振动信号为非平稳信号。传统的傅里叶分析只能获得信号的整个频谱，而难以获得信号的局部特性，对于非平稳信号难以获得希望的结果，这给滚动轴承故障诊断带来了很大的困难。　　为了克服傅里叶分析方法的弱点，本文采用小波分析方法。小波变换是一种信号的时间-尺度分析方法，它具有多分辨率的特点即对于信号的低频部分具有较高的频率分辨率和较低的时间分辨率，在信号高频部分具有较高的时间分辨率和较低的频率分辨率，它能有效地实现滚动轴承的信号滤波和特征提取。　　然后就需要利用提取出来的特征向量进行故障类型识别了。支持向量机（Support Vector Machine）进行故障类型识别的优点是所需要的样本数目较少，能够解决很多机器学习方法所不能解决的难题如：模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等，然而该算法本身也存在缺陷，比如有向无环图支持向量机多类分类算法（Directed Acyclic Graph SVMs，简写为DAG-SVMS）在分类过程中存在误差累积现象，即若在某个节点处发生分类错误，则会把分类错误延续到该节点的下层节点中。而且分类错误在越靠近根节点的地方发生，误差累积就越严重，分类性能越差。　　为了解决这个问题，本文先利用近邻函数准则算法进行初始聚类，然后再利用DAG-SVMS进行再次分类。利用该方法可以克服单独利用支持向量机算法的缺点，使得分类识别效果更佳。　　为了验证该方法的有效性，本文利用工程车辆滚动轴承数据进行了实验仿真，对采集的振动信号首先利用小波包分析方法进行信号降噪处理和能量特征提取，然后利用近邻函数准则算法结合DAG-SVMS来进行故障类型分类。同时比较了傅里叶、人工神经网络以及DAG-SVMS等方法的实验性能。发现该方法的诊断结果明显优于其它方法，能够有效地对工程车辆滚动轴承故障进行检测、诊断。