滚动轴承作为振动机械的核心零部件,对振动机械的正常工作起着重要作用。研究振动机械滚动轴承的故障诊断,对提高振动机械的工作效率、节约维护成本和减少经济损失具有十分重要的意义。在故障诊断中故障特征的提取和故障模式识别是最为关键的步骤,同时也是本文研究的重点。本文以振动筛用滚动轴承作为研究对象,采用现代信号处理技术,对滚动轴承的故障特征提取方法、故障模式识方法别进行介绍和研究。本文的主要研究内容如下:(1)本文对基于时频域分析的故障特征提取方法进行了研究,针对振动机械滚动轴承的振动信号强背景噪声的特点,提出将最小熵解卷积(MED)与变分模态分解(VMD)相结合的故障特征提取方法,并根据故障信号的特点选取峭度值最大的模态分量作为最优模态分量,对其进行希尔伯特包络获得振动机械滚动轴承的故障特征信息。(2)对神经网络在故障模式识别中的应用进行了研究,对自组织竞争神经网络(SOM)、概率神经网络(PNN)进行了研究。根据振动机械滚动轴承振动信号的不确定性特点采用变分模态分解与多尺度排列熵构造其故障特征向量,并将振动机械滚动轴承的故障特征向量输入神经网络中进行的仿真验证,证明了故障特征向量的有效性,以及PNN、SOM在故障模式识别中的实用性。(3)运用Visaul Studio C#与MATLAB进行混合编程,开发了振动机械滚动轴承故障诊断系统,提高了滚动轴承故障诊断的效率和智能化效果。