滚动轴承是旋转机械中应用最多且极易损伤的核心支承部件,若其发生故障将直接影响整个机组的安全稳定运行。深入研究滚动轴承故障诊断技术能够为设备的检修和维护提供理论依据,对于保证设备的安全服役具有重要的现实意义。本文以滚动轴承为例,研究了滚动轴承振动信号的噪声干扰和故障识别,重点解决了3个关键性问题:第一,滚动轴承振动信号噪声的有效消除;第二,滚动轴承故障特征的精确提取;第三,滚动轴承故障类型的准确识别。主要的研究内容如下:(1)针对滚动轴承振动信号中存在强噪声干扰的问题,提出了自适应噪声完整集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与小波包多阈值结合的振动信号降噪方法。利用CEEMDAN算法处理原始复杂信号,分析了各本征模态函数(Intrinsic Mode Function,IMF)分量包含的主要信息,筛选出以噪声主导的IMF分量,引入了小波包多阈值方法消除了噪声对振动信号分析的干扰,最后融合所有降噪分量和信号主导分量得到重构信号。仿真分析和对比实验结果表明,该方法能够有效消除滚动轴承振动信号中的噪声。(2)为了精确提取滚动轴承的故障特征,提出了CEEMDAN多尺度排列熵与核主成分分析(Kernel Principal Component Analysis,KPCA)的滚动轴承故障识别方法。引入了CEEMDAN算法分解振动信号,计算并筛选出峭度值较大的三阶IMF分量重构信号,提取了重构信号的多尺度排列熵值构建初始特征集,分析了各特征间的关系,利用KPCA消除了特征间的冗余信息降低了特征集的维数,将低维特征集输入支持向量机(Support Vector Machine,SVM)识别轴承故障。通过与其它典型故障特征提取方法对比分析,结果表明了该方法能精确地提取滚动轴承的故障特征,实现轴承故障类型的准确识别。(3)针对传统SVM关键参数取值困难的问题。分析了SVM惩罚参数和核参数对识别效果的影响,研究了网格搜索(Grid Search,GS)算法和PSO算法的参数优化过程,综合两种算法的优势并对SVM的两个关键参数进行优化,得到了识别效果更佳的故障预测模型,分析了滚动轴承不同故障类型、不同故障尺寸以及训练样本较少时优化模型的分类性能,比较了不同方法对滚动轴承不同故障类型的识别效果。实验结果表明,该方法能够实现滚动轴承不同故障类型的准确识别。(4)为了更进一步验证本文所提方法的有效性,将文中所提滚动轴承振动信号降噪方法和滚动轴承故障识别方法应用于实测轴承振动信号中。分析了不同工况下所提降噪方法对于轴承振动信号的降噪效果,得到了实测数据故障识别的结果。实验结果表明,本文所提方法具有较好的实际效果。