随着工业化水平的日益提高,现代化机械的应用越来越广泛,滚动轴承属于机械中常见的零部件,据统计相当一部分的机械故障是由滚动轴承的故障造成的。滚动轴承经常处于复杂严苛的运行环境中,运行时产生的振动信号具有非线性、非平稳的特点,且会受到环境中的噪音干扰,这些因素增加了对其运行状态的监测与故障诊断的难度。为此,本文围绕振动信号的分解、特征信号的提取与降维、故障类型的识别等问题展开研究,解决滚动轴承振动信号的特征提取以及运行状态识别等问题,主要的研究内容如下:(1)针对滚动轴承振动信号具有非线性、非平稳的特点,采用本征时间尺度分解(Intrinsic Time-scale Decomposition,ITD)方法对振动信号进行处理,将得到的分量信号依据峭度原则重构出新的特征信号序列,再从新的重构信号中提取出时、频域特征,将这些特征信息用于建立遗传算法优化的支持向量机(GASVM)故障诊断模型,建立的诊断模型实现了对轴承状态的有效识别。(2)针对多维特征存在的信息冗余问题,采用一种基于t-分布邻域嵌入算法(t-distributed stochastic neighbor embedding,t-SNE)的降维方法,对多维特征利用t-SNE算法进行非线性降维,最后将得到的低维特征用于建立基于(GA-SVM)的故障诊断模型。实验结果表明:t-SNE算法有效解决了信息冗余问题,提高了故障诊断精度。(3)设计实现了一种基于WIFI的轴承运行状态实时监测系统。系统中下位机为信息采集模块,用于采集、传输振动信号,上位机用于信号分析,实现振动信号接收以及数据处理等功能。信号采集模块采用MPU6500作为振动信号传感器,以STM32微控制器为核心,利用WIFI将振动信号传输到上位机,通过上位机对接收到的振动信号进行分析,实现轴承运行状态监测。论文以滚动轴承作为研究对象,解决信号的特征提取、降低特征冗余、故障类型识别等技术难点,在实际生产中有一定的应用价值。