滚动轴承广泛应用于旋转机械,同时它也是整个旋转设备中最易受损的部件之一,其运行状态通常直接影响整台机器的精度、可靠性及寿命。滚动轴承的故障预测能够对故障预先处理,降低经济和安全损失,具有重要的实际工程意义。滚动轴承振动信号频谱结构的预测能够直观地反映轴承的运行状态,在轴承发生故障时能够定性和定量地对故障类型和发展程度进行判断。对振动信号频谱的结构进行预测需要合适的预测方法,极限学习机是一种单隐层神经网络模型,结构简单,运算速度快,学习精度高,是一种有效的多变量数据预测模型。预测是以滚动轴承振动信号为研究对象的,因此振动信号的采集和处理会直接影响最终的预测结果。全矢谱技术能够有效地融合同源双通道信息,避免信息的遗漏,更全面准确地反映轴承的运行状态。而对轴承振动信号处理过程中,掩膜信号法能够在一定程度上抑制模态混叠现象,为使分解效果更好,本文进一步对掩膜信号法进行了改进。结合全矢技术和改进掩膜信号法的优势,提出了全矢改进掩膜信号法的信号处理方法,并将该方法与极限学习机模型相结合,实现对滚动轴承振动信号频谱结构的准确预测。本文的主要研究工作如下:1、研究了基于掩膜信号法的经验模态分解方法。针对传统经验模态分解(EMD)方法在分解结果中出现模态混叠现象,导致分解分量之间相互混淆,使分量丧失了其本来的物理意义,对后续分量融合结果造成了影响等问题。使用掩膜信号法(Masking Signal)处理振动信号,通过模拟信号仿真和实验信号分析,证明了MS-EMD方法能够有效抑制分解结果中的模态混叠现象。为了进一步优化分解结果,需要对掩膜信号法进行改进。2、对掩膜信号法进行了改进并与全矢技术相结合。掩膜信号法的分解结果主要受到掩膜信号的幅值和掩膜频率的影响,为获得参数最优解,在考虑到能量泄露影响参数获取的基础上摒弃了传统计算获得的方法,提出了细菌觅食算法优化掩膜参数的滚动轴承故障诊断方法。利用BFA算法优化掩膜信号的幅值和掩膜频率,得到最优参数组合,实验证明利用参数优化后的掩膜信号处理故障信号能够更有效地抑制模态混叠现象,得到频谱更加纯净的本征模函数。针对单通道信息不全面的问题,将全矢谱技术与改进后的掩膜信号法相结合,建立了全矢改进掩膜分解方法。实验表明全矢改进掩膜分解能够得到更完整、清晰的频谱。3、研究了极限学习机模型。在分析了单一频率信息的不全面性会影响预测的结果后,进一步研究了适用于频谱结构预测的多变量极限学习机预测模型。实验结果表明,全矢改进掩膜信号法预处理后的滚动轴承振动信号结合多变量极限学习机预测模型能够实现滚动轴承轴承频谱结构的准确预测。