滚动轴承作为各类旋转机械中最常用的通用零部件之一,对其进行故障监测和诊断是国内外工程技术领域的研究热点。利用轴承及其组件的随机振动信号对其工作状态进行监测和诊断是目前旋转机械故障监测与诊断研究中最常用的方法。机械设备的诊断过程中,故障特征提取和模式识别是诊断的两个关键。本文针对滚动轴承故障振动信号的特征,采用基于多重分形理论的广义分形维数描述、基于时序分析的AR模型方法、基于时频分析的小波包降噪分解技术及主元分析方法实现了轴承故障特征信息的提取,取得了满意的效果。本文将AR模型和小波分析方法分别与RBF神经网络相结合组成了两个RBF神经网络故障诊断系统对轴承的故障模式进行了识别,取得了较好的效果。针对工程实际中难以获得大量典型故障样本的情况,将SVM方法引入轴承的智能故障诊断中,对SVM分类器的分类性能进行了较为深入的研究。将主元分析方法与SVM方法相结合组成故障诊断系统,完成了滚动轴承故障模式的识别。实验和分析结果表明,SVM分类器在小样本故障诊断中具有优良的分类性能,将主元分析和SVM方法相结合用于轴承的故障诊断取得了良好的效果,能有效地识别滚动轴承的工作状态和故障类型。