滚动轴承是机械设备里使用最广泛的部件之一,其运转状态直接影响着整个机械设备的性能,轴承出现故障可能导致机器设备陷入瘫痪甚至发生重大安全事故。因此,如何在不影响设备正常运转的前提下,用较短的时间诊断出滚动轴承的状态如何、是否发生了故障以及发生了什么类型的故障成为亟待解决的问题,也是目前状态监测和故障诊断领域研究的热点。振动信号分析是目前实现滚动轴承监测和诊断的主要方法之一。振动信号分析的理论和方法有很多,主要包括FFT分析、倒频谱分析、小波分析、Hilbert-Huang变换等等,其中小波分析是使用较广泛的一种方法。目前较为流行的做法是结合小波变换和包络解调,得到各层高频小波系数的包络谱,这样做虽然可以抽取到故障特征,但是故障特征的效果并不理想。小波分解可以实现一组带通滤波器的作用,将信号各个频段的信息取出来,对单个频段的信号来说,可以去除此频段外的噪声,但是位于此频段内的噪声成分依然很多,不利于后期抽取到明显的故障特征。为了克服上述缺点,本文在深入研究小波滤波理论后,提出了利用小波阈值滤波在前期对振动信号进行滤波的方法,同时,鉴于硬阈值函数和软阈值函数存在的缺陷,本文对软、硬阈值函数加以改进,设计了全新的阈值函数,该函数在一定程度上克服了硬阈值函数给信号带来毛刺成分的缺点,也能够解决软阈值函数所带来的去噪后信号和有用信号逼近不足的问题。在实际应用前,本文利用此函数对加载过高斯白噪声的leleccum信号进行滤波仿真,分别得到利用硬阈值滤波、软阈值滤波和新阈值函数滤波后的信噪比(SNR)和均方误差(SME)。结果证明,新阈值函数能够有效地克服了硬阈值函数和软阈值函数的缺陷,提高整个信号的信噪比。在实际应用中,本文首先应用新阈值函数对各种工况下的滚动轴承振动信号进行小波阈值滤波,然后利用包络解调获得滤波后振动信号的包络谱,最后将此包络谱与利用小波分解后直接提取的各层高频系数的包络谱进行比较。结果表明小波阈值滤波可以更好地滤除噪声,为凸显故障特征创造更好的条件。本文在利用能量归一化法对故障特征进行处理后,得到的归一化能量特征向量作为BP神经网络的输入,最后利用BP神经网络对故障特征进行识别,取得了很高的故障识别率。