轴承是电机这类旋转机械中必不可少的零部件,同时也是易损部件。轴承一旦发生故障容易导致设备瘫痪,对正常的生产活动有阻碍作用,并且造成一定的经济损失。因此针对轴承故障诊断的研究具有非常重要的意义。针对电机轴承振动机理的研究,为了获得更好的故障诊断效果,在分析国内外故障诊断研究现状的基础上,结合特征融合、智能诊断算法,将小波包能量熵、局部线性嵌入(LLE)、人工蝙蝠算法(BA)以及相关向量机(RVM)运用到轴承故障诊断中,提出相应改进算法,建立新的诊断模型。首先,针对轴承原始振动信号,使用小波包理论进行消噪分解,将分解后产生的频带信号以能量熵的形式提取出来,再将信号重构提取时域以及频域特征。单一特征往往包含的信息是有限的,而基于以上三种形式组成的高维特征向量可以比较全面的反映特征信息,但是存在计算量大、效率低等问题。因此以LLE算法将三种形式的高维特征量降维融合成低维特征向量,并将其作为诊断模型的输入。其次,构建基于RVM理论的电机轴承故障诊断模型。为实现轴承多分类诊断,选取二叉树法构建RVM多分类诊断模型。核参数的选择直接影响诊断精度,为保证核参数最优化的选择,同时也为了解决优化算法容易陷入局部最优的问题,引入基于混沌理论改进的蝙蝠算法(IBA)优化核参数的选择,构建IBA-RVM多分类电机轴承故障诊断模型。最后,设计对比实验。实验以两部分组成:首先是单一特征诊断与融合特征诊断的对比实验;其次是在以融合特征为输入的情况下,由IBA-RVM与PSO-RVM、IBA-SVM以及PSO-SVM构建对比实验。结果表明:融合特征相比于单一特征具有更好的特征表达;与其他诊断模型相比,IBA算法具有更好的全局搜索能力,提升了RVM在轴承故障诊断中的准确率。