本文针对实测设备振动信号通常具有非线性或非线性成份的特性,以滚动轴承为研究对象,应用非线性信号分析方法对滚动轴承振动信号非线性特征提取与故障诊断进行了深入的理论与应用研究。通过将复杂性测度——排列熵、核主元分析(KPCA)、流形学习方法和支持向量机(SVM)等四种非线性信号分析方法引入轴承故障诊断领域,对滚动轴承振动信号非线性特征提取与诊断进行了系统的研究。排列熵作为复杂性的一种测度,是反映信号序列无序程度的一个重要的非线性特征。将排列熵引入滚动轴承监测与故障诊断,提出以排列熵作为表征滚动轴承状态的特征,研究用排列熵检测滚动轴承振动信号的突变的新方法。通过对典型非线性时间序列Logistic映射分析,验证了用排列熵检测非线性信号突变的敏感性和有效性。分析数据长度、延迟时间以及嵌入维数等参数对滚动轴承振动信号排列熵和计算耗时的影响,选择适合滚动轴承振动信号的最佳参数,研究不同状态下的轴承振动信号的排列熵对状态表达的有效性。结果显示,排列熵可以检测复杂信号的突变,且算法简单,计算速度快,可用于监测轴承状态的变化。利用核主元分析对非线性信号的信息挖掘与降维的作用,在轴承振动信号的时域、频域和时频域的原始特征基础上,研究基于KPCA对原始特征进行降维提取轴承非线性特征表达轴承状态的方法,通过对滚动轴承四种状态下的核主元聚类性分析表明,在原始统计特征基础上提取的非线性核主元的聚类性好,状态表示性强,有利于实现轴承状态智能诊断。在核主元分析方法的基础上,研究基于核主元Hotelling’s T2和Q统计量的轴承状态监测方法,通过对滚动轴承状态的实例分析表明,该方法可以有效监测轴承的故障状态。将流形学习方法应用于故障诊断领域,提出利用流形学习方法提取滚动轴承振动信号高维原始统计特征的低维流形上的非线性状态特征,研究其表征轴承状态的方法。以轴承仿真振动信号和经典的非线性高维数据Swiss Roll和Swiss Hole为对象,分析LLE、ISOMAP和LTSA三种典型流形算法提取轴承振动信号非线性特征的有效性,结果显示LTSA流形算法提取的轴承振动信号非线性低维嵌入分量的聚类性好,适合用于轴承状态辨识。通过对滚动轴承四种状态下振动信号的实例研究,基于LTSA流形算法提取的特征分量与用标准PCA方法提取的主元特征相比,具有聚类性好,类内距小等优点,可有效表征轴承状态。轴承故障诊断的方法实质是模式识别的问题。针对滚动轴承非线性振动特征与故障样本少的实际情况,将支持向量机理论应用于轴承故障诊断领域,研究基于“一对多”算法的SVM多类分类器的构建方法。基于仿真轴承振动信号,通过交叉验证的方法选择最佳核函数及其参数,验证了基于径向基核函数的SVM分类器的优良分类性能。分别采用KPCA、LTSA两种非线性特征提取方法与SVM相结合进行了滚动轴承状态识别的实例研究,研究表明基于径向基核函数的SVM多类分类器在滚动轴承轴承振动信号特征辨识中识别率高,训练时间适中,具有优良的性能,适合非线性小样本的设备异常状态识别。上述方法的研究是建立在实验验证的基础之上,本文基于虚拟仪器技术构建数据采集系统,以旋转机械试验台和齿轮减速器为实验平台,通过对轴承进行设置故障试验,验证了上述方法的可行性和有效性。