滚动轴承是机械装置中非常重要的零部件之一,其内圈、外圈、滚动体等关键运行部件结构复杂、承受负载大,轴承的运行状态是否正常直接关系到整台机械设备的工作状态。一旦轴承出现故障问题,可能会使整个机组的运行瘫痪,造成不必要的损失。通过有效的滚动轴承故障诊断技术,可以评估滚动轴承的实际工作状态,预测轴承的服役寿命,减少不必要的停机维护,从而提高生产经济效益。本文以奇异值分解技术为基础进行轴承故障特征提取相关研究,主要内容如下:首先,根据滚动轴承的实际应用现状、重要作用以及奇异值分解(singular value decomposition,SVD)算法的特点详细介绍了本文选题的背景和意义,然后针对SVD的国内外研究现状,以及未来的发展趋势进行了较为全面的阐述。最后对SVD的信号处理流程通过实验进行了介绍,较为详细地说明了SVD算法的特点。其次,针对SVD后分量信号的重构方式,研究了简便法和平均法的信号处理效果的故障特征提取效果的差异。利用损失率以及信噪比两个参量来评价两种分量形成方式的仿真信号处理效果。通过实测信号来验证两种方式的故障特征提取能力。研究结果表明,对于正弦信号和调幅信号两种方式处理效果相同:对于变频信号,平均法明显由于简便法;两种方式都能够有效提取出故障特征频率。但是平均法计算量要大于简便法,除了变频信号的处理,建议使用简便法。再次,针对SVD降噪中奇异值有效阶次难以确定的问题和能量算子方法容易受到噪声干扰问题,提出了一种基于奇异值波动差分谱和Teager能量算子的轴承故障特征提取方法。该方法首先将振动信号构造成Hankel矩阵,再进行奇异值分解,利用分解所得的奇异值得到波动差分谱,然后根据波动差分谱的单边极大值来确定奇异值有效阶次。最后利用Teager能量算子解调对降噪后的重构信号进行故障诊断。通过仿真数据以及实际轴承故障数据的分析,证明该方法能够有效提高信号的信噪比并提取出故障特征。最后,针对共振解调方法容易受到噪声干扰,以及带通滤波器参数难以确定,很大程度上依赖经验的问题,提出一种基于SVD和共振解调的滚动轴承故障特征提取方法。首先利用SVD算法,将轴承振动信号分解成四个奇异值分量,计算各分量的峭度值,选择峭度值最大的分量,然后利用谱峭度算法确定中心频率和带宽,最后对该分量信号进行带通滤波和包络解调分析。提取性能以及鲁棒性能实验证明了该方法能够自适应确定滤波频带,降低噪声干扰的影响,并且在带通滤波器失效情况下有良好稳定性。与变分模态分解(variational mode decomposition,VMD)算法的对比实验表明了该方法的优越性。