滚动轴承作为保证机械设备正常运行的关键构件之一,对其运作状态进行安全监控一直受到工业界和学术界的重视。然而,当轴承的运行状态发生轻微异常时,如存在微点蚀、细小裂纹、微磨损等微小故障时,轴承振动加速度信号时常存在幅值冲击弱、故障特征隐蔽性较强的特点。更值得注意的是,在实际工况中,故障振动信号产生过程通常都伴随着较强的背景噪声,极易掩盖微小故障特征,给轴承运行状态的安全监控造成了极大困难。因此,对故障特征信号不明显的含噪微小故障信号序列构建合理的消噪模型、故障特征提取机制及诊断算法,可有效预防重大故障发生,从而确保轴承健康平稳地运行。故而,针对背景噪声下微小故障诊断方法研究引起广大学者的极大关注和讨论。本文选取滚动轴承为研究目标,鉴于振动信号是其运行状态最直接的体现,并基于振动信号的处理层面探索了轴承微小故障振动信号除噪、特征提取及特征识别三个重要环节。论文所做主要工作及取得成果如下:(1)针对含有强背景噪声的滚动轴承微小故障特征易被掩盖的缺点,提出如下两种改进算法。一方面,考虑到传统自适应均衡算法难以同时兼顾收敛性和稳定性的缺点,提出了一种改进的基于递归最小二乘(RLS)和最小均方差(LMS)的协作自适应消噪模型。在传统的RLS算法基础上,通过引入动量参数及动态遗忘因子构建一种高速收敛的RLS消噪模型,并结合LMS建立协作消噪模型,有效削弱背景噪声对轴承微小故障信号的影响。另一方面,基于改进的协作自适应消噪算法,考虑到自适应均衡算法处理宽频信号的局限性和轴承微小故障振动信号易于隐藏的特点,综合LMS和经验模态分解(EMD)的优劣势,提出了一种交互式调整消噪新策略。轴承微小故障测试信号仿真结果表明,所构建的除噪方法可有效地削弱轴承微小故障振动信号中的干扰,并且较传统除噪方法而言更具优越性。(2)微小故障特征具有不明显,易被噪声掩盖的特点,故针对含有强背景噪声的滚动轴承微小故障难以提取故障征兆信息的缺点,构建如下两种特征提取机制。一方面,针对滚动轴承微小故障特征难以有效完备提取引起的诊断精度不高缺点,提出一种局部均值分解(LMD)分量优化下投影能量特征提取方法。首先,针对LMD分解后的PF分量难以选择问题,基于现存LMD分解框架,利用引入遗传算法构建一种PF分量最优选择模型。为了最大化加权融合信号和原始微小故障振动信号的相关性,设计一种新的权系数求取规则。其次,从能量分布角度引入等区间能量投影法构建微小故障特征提取模型,并设计一种特征筛选新规则实现微小故障特征提取,有效剔除冗余信息。另一方面,考虑到LMD分解的局限性对微小故障特征的影响,提出一种基于参数优化的变分模态分解(VMD)下峰峰值样本熵的微小故障特征提取新方法。首先,针对VMD的分解参数K难以确定问题,设计一种基于LMD分解的K值估计方法。其次,针对微小故障的故障冲击薄弱问题,对振动信号进行峰峰值构造,并提取峰峰值样本熵作为故障特征。(3)针对小特征样本情况下,诊断精度不高问题,利用智能分类器支持向量机(SVM)对提取得到的微小故障特征进行识别,仿真结果表明背景噪声下所构建的诊断方法能够有效诊断微小故障,且诊断精度良好,证明了所构建诊断方法有效性和可应用性。