在煤炭炼焦、石油化工、水利电力等行业中,具有旋转特性的机泵设备起着关键性作用,它们的正常运行对于生产活动的安全进行具有重大的影响。机泵受人为、环境及自身的相关因素会造成设备运转失常导致生产活动受阻,甚至造成人员伤亡等恶性事故。所以研究并建立机泵故障诊断系统对于保障设备平稳运行、减少事故发生和实际生产应用有着重要的现实意义。本文在了解机泵设备故障诊断技术的基础上,首先对机泵中核心部件-滚动轴承故障信号展开了深入的研究,从振动信号分析入手,将经验模态和小波包分析信号特征提取方法引入特征量提取过程,选取频带能量作为有效的故障特征,并进行归一化处理。通过对两种方法性能进行验证,表明小波包分析在故障特征提取方面的优势。其故障特征向量中包含丰富的故障信息,可以作为故障诊断的数据样本。其次,对滚动轴承故障信号特征识别方法进行分析,将支持向量机方法应用于故障特征识别。由于传统的优化方法识别率不高,通过改进粒子群优化算法的权重系数,并借鉴遗传算法的自适应变异策略,结果表明改进后的粒子群算法收敛速度快,不易陷入局部最优解。然后将改进后的粒子群算法用于优化支持向量机的惩罚因子和核函数参数,构建性能更好的数据分类模型,进而建立一种基于小波包分解、频带能量、改进粒子群算法和支持向量机相结合的故障诊断模型。最后,对本文提出的改进粒子群优化算法和故障诊断方法进行有效性验证。通过对比GA-SVM和PSO-SVM分类模型,实验结果表明,改进的粒子群算法具有较强的优化能力,能有效提高诊断的准确率,再次对比BP神经网络模型,说明IPSO-SVM模型在小样本情况下可以更有效识别不同的故障类型及其受损程度。所以本文研究提供的分析思路和方法对于滚动轴承的故障分析和机泵的故障排查具有一定的实用价值。