旋转机械设备的健康监测一直是众多学者的研究对象,滚动轴承作为旋转机械关键的零部件,其运行状态直接决定了设备性能的优劣。因此,及时、准确地发现轴承早期轻微故障,将设备出现重度故障不能运行的事后维修变为预知维修,可以有效保障企业设备的连续安全运行,降低重大事故发生的概率,提高企业的生产效率。课题研究的核心在于研发出一种基于精细复合多尺度模糊熵(RCMFE),改进半监督局部切空间排列(ISS-LTSA)和天牛须搜索优化支持向量机(BAS-SVM)的滚动轴承故障诊断新技术。首先,引入RCMFE方法全面构建出滚动轴承不同故障部位故障信息的特征集。接着,利用所提ISS-LTSA方法进行维数约简,去除冗余、无用的特征信息。最后,将敏感故障子集输入至BAS-SVM进行模式识别,辨别轴承故障类型。论文的主要工作如下:(1)滚动轴承故障诊断的关键在于故障特征提取,本文采用一种新颖的非线性特征提取方法(即RCMFE)全面挖掘故障特征信息。通过仿真实验确定RCMFE参数选取,并利用凯斯西储大学轴承实验进行特征提取方法有效性的验证。(2)为降低RCMFE特征矩阵存在的无用和冗余信息,研发出ISS-LTSA维数约简算法。在LTSA算法的基础上,融合了半监督学习理论、改进距离度量方式以及近邻参数优化选取的优势。通过仿真实验和两组工程应用实验证实这一降维方法的优势。(3)滚动轴承故障诊断的实质在于模式识别,为克服支持向量机中两个关键参数的选取难题,提出一种BAS-SVM新方法,并将其应用于RCMFE+ISS-LTSA特征集的模式识别。仿真实验和轴承实验表明了该分类器优于现有分类器。(4)建立出一种基于RCMFE,ISS-LTSA和BAS-SVM的滚动轴承故障诊断新模型,通过滚动轴承工程实验数据对该模型在特征提取、维数约简和模式识别等方面进行可行性和优越性的验证。进一步,将该技术推广至行星齿轮箱故障诊断过程,结果表明所提模型也能够获取较佳的诊断效果,验证该模型的优势。