目前,滚动轴承的智能故障诊断主要通过提取振动信号特征,结合智能算法判断出滚动轴承的状态。轴承的持续振动监测为分析其内在运行状态提供了大量的数据,有助于对滚动轴承的准确诊断。但是,大规模监测数据也增加了轴承分析的难度。大量的数据及其特征会导致信息冗余、结果冲突、计算代价高等问题,因此有必要研究如何挖掘其中的关键信息,获得表征大规模数据的关键特征子集。本文引入流形学习中的局部线性嵌入算法,研究局部线性嵌入(Local Linear Embedding,简称LLE)算法的改进方法及其关键问题的解决方法,主要研究内容陈述如下:(1)针对局部线性嵌入算法进行降维处理后,准确率不高的问题,本文提出了改进局部线性嵌入算法。通过改进样本点之间距离的计算方式,用以保持样本空间的流形结构,提升算法的降维性能,并将该算法应用于Iris数据和轴承数据的降维处理当中。通过对比常规局部线性嵌入算法、基于马氏距离的局部线性嵌入算法和均匀化距离的局部线性嵌入算法的降维结果,验证了所提改进方法的有效性。(2)针对样本噪声会影响改进LLE算法降维效果的问题,本文提出了基于遗传算法的变分模态分解(Variational Mode Decomposition,简称VMD)降噪方法。通过分析惩罚因子与峭度的关系来构建适应度函数,运用遗传算法来优化VMD降噪的参数设置,以便去除噪声的不良影响。实验结果表明,使用基于遗传算法优化的VMD降噪方法可以较好地滤除观测信号中的噪声,避免其对轴承数据关键特征提取的干扰。(3)为了定量评估特征约简方法的性能,本文提出了基于多指标的特征约简效果评价方法。该方法综合分析原始样本集和特征约简后的样本集的分类精度、相似性与自相关性这三个指标,从而确定特征约简的效果。通过对轴承实验数据的特征约简结果分析,能够得到约简率与特征约简效果之间的关系,最终在特征约简结果与故障分类性能之间达到一个较好的平衡。本文研究提出的改进局部线性嵌入算法及其降噪和评价方法,可为大规模轴承数据的智能分析提供有效的方法,使其更好地服务于轴承健康监测与诊断应用,同时也可为其他大型设备的轴承和旋转关键部件的智能诊断提供有益的参考。