滚动轴承是机械设备中应用最为普遍的部件之一,其健康状态对于整个设备的安全运行具有重要影响。监测滚动轴承的工作状态,避免发生严重事故,具有重要的经济价值和现实意义。因此,本文以滚动轴承为研究对象,进行了故障诊断的分析研究。主要内容如下:首先,对滚动轴承组成和振动机理进行了分析。鉴于噪声信号对于滚动轴承故障特征提取具有重要影响,选取形态学Top-Hat对滚动轴承故障信号进行降噪处理,并针对Top-Hat结构元素的长度选取问题,采用特征能量百分比的筛选准则。通过实验信号分析验证了其有效性。阐述了变分模态分解(Variational Mode Decomposition,VMD)与经验模态分解方法原理。用仿真信号验证了VMD分解方面的优越性。滚动轴承故障振动信号通常为多分量非平稳信号,结合形态学Top-Hat变换的降噪方法与VMD对滚动轴承故障信号进行分析。利用观察中心频率的方法选取VMD筛分时需预设的IMF数量的最优值,从VMD分析处理后所得的IMF中,根据峭度-相关准则选择最佳IMF分量;利用Top-Hat变换方法对最佳IMF进行降噪,使解调后的故障幅值更加突出。分析西储大学的滚动轴承故障实测信号结果表明此方法的有效性。针对滚动轴承故障识别问题,采用基于VMD能量熵和优化支持向量机进行滚动轴承故障诊断。选用能量熵作为衡量VMD分解得到分量的指标,求解各个IMF的能量熵组合成特征向量,代入到由粒子群参数优化的训练器中,实现滚动轴承的故障识别。该方法通过实测信号分析表明,VMD能量熵和优化支持向量机结合可以用于识别滚动轴承的故障类型。