滚动轴承是机械设备中重要的零件,也是最容易损坏的元件之一。当滚动轴承发生故障时很容易使机械设备产生异常的噪声和振动,进而损坏设备。为及早发现设备故障防止生产线停工、避免重大事故,开展对滚动轴承的故障诊断具有很现实的意义。本文主要研究小波神经网络在滚动轴承故障诊断中的应用。论文主要做了以下三个方面的研究工作：1.论述了轴承故障产生的机理和常用故障特征参数的分析和提取方法。对于滚动轴承系统的非线性和表面振动信号的非平稳特性,引入了小波分析方法并针对小波分析中容易产生频率混淆的情况提出了改进的小波包快速算法。改进的小波分析对于频率混淆现象有良好表现,克服了传统小波包快速算法中高低频重迭难以分辨的问题并利用小波频带分析技术,对故障信号中含有的噪声信号进行分离。2.结合小波和神经网络的优势给出了改进小波神经网络的结构模型,研究了小波神经网络的学习算法,针对传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。3.应用改进的小波网络对滚动轴承的典型故障进行实例诊断。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量,给出训练结果。通过仿真实例,可以看到采用的改进的小波神经网络能够很好的对故障进行分类,其收敛速度明显要快于相同条件下的小波神经网络和改进的BP网络,有效地实现了滚动轴承的故障诊断。