机械设备的意外事故或故障将会造成严重的经济损失甚至影响人们的生命安全。滚动轴承作为机械设备中应用最普遍的零部件之一,起到了机械设备“关节”的作用,它的运行环境通常十分恶劣,这导致了它的寿命离散性大且故障率高。当滚动轴承发生故障时,如何准确识别出故障部位与类型并制定出相应的维修策略来保障设备安全稳定运行,对提高经济效益和保证生产安全具有重要的意义。因此,本课题以滚动轴承为研究对象,对其可能出现的正常状态、滚动体故障、内圈故障、外圈故障四种类型的振动信号特征进行提取,并通过机器学习算法来识别出振动信号所蕴含的状态信息。本文首先分析了滚动轴承的结构、失效原因、振动机理以及特征频率,接着介绍了实验数据来源。基于滚动轴承早期故障信号特征特点,本课题提出了采用小波变换对振动信号进行降噪处理来降低噪声的干扰,基于小波变换的不足提出了采用小波包变换对滚动轴承的正常状态、滚动体故障、内圈故障、外圈故障信号进行特征提取。支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络都可以对故障特征进行分类,但由于传统的SVM对特征数据进行分类时,其惩罚参数C和核参数g选取不同会影响SVM的分类效果,本文基于遗传算法(Genetic Algorithm,GA)全局寻优的特点、粒子群优化(Particle Swarm Optimization,PSO)算法快速收敛的特点,提出了基于粒子群优化算法与遗传算法混合优化的SVM算法(PSO-GA-SVM)进行滚动轴承故障诊断;基于BP神经网络具有陷入局部最优值的缺陷,本文提出了使用蝙蝠算法(Bat Algorithm,BA)优化BP神经网络算法(BA-BP神经网络)进行滚动轴承故障诊断。通过对传统与优化后的SVM、BP神经网络进行故障诊断对比实验发现,使用PSO-GA-SVM和BA-BP神经网络算法模型对滚动轴承的故障分类效果更好。因此,得出本文提出的基于小波包分别和PSO-GA-SVM、BA-BP神经网络组合的诊断模型能有效对滚动轴承故障进行智能诊断。