随着科学技术的飞速发展,现代工业机械设备的更新速度不断加快并呈现多元性。在这样的发展背景下,大型机械设备的检测和维护迎来更大的挑战,滚动轴承在现代机械设备中应用尤为广泛,其运行的质量直接影响机器是否能够正常运作。因此,准确找到故障位置并提取故障特征成为实现滚动轴承故障诊断的重要课题之一。本文从滚动轴承实测故障信号着手,主要包括轴承内圈、外圈及滚动体信号,通过对其进行信号降噪处理、故障特征提取、故障特征聚类以实现滚动轴承的故障诊断,由此提出了《基于t-SNE与稀疏表示的滚动轴承故障特征提取研究》。本文主要研究内容如下:论文阐述了研究滚动轴承故障特征提取的意义及目的,介绍了滚动轴承故障特征提取的发展历程,系统分析国内外滚动轴承故障特征提取技术的研究现状,对滚动轴承的机构原理、基本故障频率进行了说明,从理论上系统地阐述了滚动轴承故障信号特征提取方法和故障聚类方法。针对原始时间序列信号的预处理,对相空间重构技术进行了理论研究。分析了重构参数对重构相空间的影响,提出了基于C-C算法和Cao算法的优化相空间重构参数选择的方法确定相空间重构所需的两个参数:时间延迟与嵌入维数。引入模糊熵和均方根值作为重构结果的量化指标,对本文所提出的方法与C-C算法、Cao算法单独使用时的重构效果进行量化评价,结果表明本文所提出的相空间重构参数选择方法更适用于滚动轴承故障特征提取中。在信号降噪的部分,对流形学习进行了系统地分析。介绍了目前常用的典型流形学习算法,选取非线性降维的三种典型算法:局部切空间排列（LTSA）算法、局部线性嵌入（LLE）算法、t分布随机近邻嵌入（t-SNE）算法以及线性降维算法中主成分分析（PCA）算法分别对故障信号进行降噪处理,以相关系数、包络熵、峭度为量化指标评价其降噪结果,结果显示t-SNE算法针对滚动轴承故障信号降噪处理更具优势,同时将多维尺度变换（MDS）算法与t-SNE算法在非线性数据的适应性及可视化效果方面进行了对比和分析。为了获得降噪信号的最优稀疏表示以增强故障特征的提取效果,对构建学习字典、求解算法、字典学习算法进行了深入地研究。对比小波字典和离散余弦变换（DCT）字典,发现DCT字典原子结构更丰富,且计算效率更高。深入研究了两种稀疏求解算法:匹配追踪（MP）算法、正交匹配追踪（OMP）算法,通过对两种算法原理以及实验对比分析,结果显示OMP算法运用于滚动轴承故障特征提取中具有收敛速度更快的优点。同时对比分析了不同字典学习算法:最优方向法（MOD）、K-奇异值分解（K-SVD）算法、交替方向乘子（ADMM）方法的时间及空间复杂度,发现ADMM算法的学习速度更快,而且运用ADMM算法最终得到的重构误差相较于无字典学习方法时的重构误差明显减小。因此本文选择通过构建DCT字典为待学习字典,用ADMM算法进行字典学习,用OMP算法对故障信号进行稀疏分解和重构以建立降噪信号的最优稀疏表示,通过对其进行包络解调分析提取到了滚动轴承的故障频率,并进行对比验证。为实现滚动轴承故障特征提取的可视化效果,采用K均值（K-means）聚类对滚动轴承故障信号进行聚类分析。通过戴维森保丁指数（DBI）对不同故障特征提取方法下不同的聚类效果进行对比,进而从不同故障尺寸样本数据集,不同长度样本数据等方面对滚动轴承故障聚类结果进行了对比和分析,验证了本文所提出的故障特征提取方法在进行聚类分析时效果的优越性。