随着我国从科技大国迈向科技强国的步伐越来越快,大型机械设备系统的设计愈发精密与复杂。为了减少机械设备故障带来的损失,实现高效的故障诊断,提升机械设备可靠性,本文以机械设备的关键部位——滚动轴承与行星齿轮箱为研究对象,重点研究了信号分析处理技术、多源信息融合技术以及基于数据的故障诊断技术等,主要研究内容分为以下几个部分。首先本文研究滚动轴承和行星齿轮箱的故障信号分析处理技术。从研究滚动轴承和行星齿轮箱故障成因入手,分析其常见故障及影响因素。针对原始故障信号具有一定的冗余性、不确定性等特点,采用时频域分析对原始故障信号进行特征提取研究,从多种角度对不同形态信号进行分析。针对时频分析处理得到的多个故障特征采用粗糙集理论进行特征筛选处理,保留对诊断结果影响较大的故障特征,从而简化系统模型,实现故障诊断效率的提升。接着本文对滚动轴承和行星齿轮箱进行多种故障模拟,通过模拟典型工况下的运行状态,采集系统故障信号,为多源信息融合诊断方法与故障诊断方法研究提供数据准备。然后本文主要研究多源信息融合方法。针对云模型具有随机性、模糊性以及不确定性的特点,采用云模型优化D-S证据理论,降低证据之间的高度冲突性,实现有效的信息融合诊断。采用滚动轴承和行星齿轮箱故障试验平台采集的故障数据进行融合诊断,结果验证了该方法的有效性。最后本文重点对支持向量机进行改进分析,提出一种双优化的SVM故障诊断结构模型。首先根据云模型具有随机性的特点,采用云模型优化遗传算法即云遗传算法(CM-GA),加速搜索过程且提高优化性能;接着采用云遗传算法优化支持向量机径向基函数的核参数Gamma和惩罚因子C,提出一种基于云遗传算法优化支持向量机的结构模型,通过预优化操作,可以大幅减少训练时间,从而有效提高算法性能。最后,先采用美国凯斯西储大学的滚动轴承数据进行理论研究,再通过搭建故障模拟试验平台,采集滚动轴承和行星齿轮箱故障数据用于故障诊断分析,将不同的传统方法与基于云遗传算法优化支持向量机的故障诊断方法进行结果对比,分别从时间和诊断准确率的角度验证了该方法的有效性。