滚动轴承是机械设备中的比较重要的组成部件,其应用比较广泛,但滚动轴承也比较容易发生故障,这样会影响机械设备的正常运作,甚至会造成严重的后果。为了避免滚动轴承发生故障而造成较大的损失,对其进行故障诊断的研究尤为重要。本文首先分析了滚动轴承的主要故障形式及其故障频率特点,然后分别从滚动轴承振动信号的特征提取和滚动轴承的故障诊断两方面进行研究和分析,本文主要研究内容如下:首先,针对滚动轴承振动信号的特征提取问题,本文提出了改进的小波包变换算法。和传统的小波包变换算法相比,该改进的算法通过利用傅里叶变换算法和傅里叶逆变换算法将多余的频率置零,能够对提取到的信号有效的消除频率混叠现象,还提出利用信息熵的方法选择出最优的小波函数。通过实验仿真对其进行了验证,有效地说明了本文提出改进的小波包变换算法的有效性。其次,针对滚动轴承故障诊断问题,本文采用的故障诊断方法是利用Elman神经网络。由于Elman神经网络的连接权值和阈值随着网络训练次数的增加而不能达到最优的连接权值和阈值,从而导致Elman神经网络不容易得到最优值,本文提出了具有全局搜索能力的改进的自适应遗传算法,利用改进的自适应遗传算法优化Elman神经网络,该改进的自适应遗传算法能够解决遗传算法易陷入早熟现象的缺点。最后,为了证明提出算法的有效性,本文采用美国西储大学实验中心的轴承数据,分别利用未优化的Elman神经网络和改进的自适应遗传算法优化的Elman神经网络对经过处理后的轴承数据进行诊断,通过仿真结果得到相对于未优化的Elman神经网络,改进的自适应遗传算法优化的Elman神经网络故障诊断率明显得到提升,从而说明本文提出方法的有效性。