1、滾動(dòng)軸承作為最常用的旋轉(zhuǎn)部件，其質(zhì)量狀態(tài)直接關(guān)系到整臺(tái)機(jī)械設(shè)備的性能以及工作現(xiàn)場(chǎng)的安全。因此，在前人研究成果的基礎(chǔ)之上，進(jìn)一步開(kāi)展對(duì)滾動(dòng)軸承故障診斷的深入研究仍具有非常重要的現(xiàn)實(shí)意義。
　　滾動(dòng)軸承故障診斷的實(shí)質(zhì)是狀態(tài)的識(shí)別，主要包括信號(hào)采集與處理，特征選擇和提取，狀態(tài)模式識(shí)別?？紤]到支持向量機(jī)能很好地解決小樣本學(xué)習(xí)、非線性高維模式識(shí)別等難題而將其引入滾動(dòng)軸承故障診斷中。并根據(jù)滾動(dòng)軸承故障診斷的特點(diǎn)，提出了一套適合軸承故障診斷的支

2、持向量機(jī)參數(shù)尋優(yōu)方法及具體流程。該方法不僅以交叉驗(yàn)證平均準(zhǔn)確率作為尋優(yōu)目標(biāo)，同時(shí)還增加了對(duì)懲罰因子取值的控制。另外，為了提高滾動(dòng)軸承故障樣本的利用價(jià)值，以及針對(duì)支持向量機(jī)對(duì)噪聲敏感的特點(diǎn)，提出了基于小波閾值降噪和SVM相結(jié)合的軸承運(yùn)行狀態(tài)識(shí)別新方法。對(duì)故障軸承振動(dòng)信號(hào)進(jìn)行小波閾值降噪，得到相應(yīng)的降噪后樣本。在此基礎(chǔ)上結(jié)合SVM參數(shù)尋優(yōu)初步建立SVM模型，提取錯(cuò)分樣本后重新降噪并修正SVM模型，直到懲罰因子和交叉驗(yàn)證平均精度達(dá)到預(yù)定標(biāo)準(zhǔn)，

3、最終實(shí)現(xiàn)最優(yōu)模型的建立及軸承狀態(tài)的識(shí)別。
　　但傳統(tǒng)的軟硬閾值函數(shù)各自的不足制約了信號(hào)降噪和特征提取的效果，且無(wú)法實(shí)現(xiàn)降噪過(guò)程的可調(diào)性。因此，首先提出一種新型閾值函數(shù)，并結(jié)合數(shù)學(xué)手段和MATLAB仿真實(shí)驗(yàn)分析了其優(yōu)點(diǎn)。
　　最后對(duì)一組滾動(dòng)軸承的振動(dòng)加速度實(shí)測(cè)數(shù)據(jù)進(jìn)行了具體分析，并將診斷結(jié)果與其他類型SVM診斷方法及BP神經(jīng)網(wǎng)絡(luò)法的診斷效果進(jìn)行對(duì)比，驗(yàn)證了改進(jìn)閡值函數(shù)的引入能有效提高樣本數(shù)據(jù)利用率和SVM的抗噪、泛化能力以及滾