滚动轴承是一种属于滚动摩擦的机械零部件,也是捣固车等大型机械设备的易受损器件。由于受到外界和自身的复杂因素的影响,导致轴承的受损程度显著的提升。滚动轴承有着广泛的使用场景,但轴承设备故障也会造成重大的安全隐患和社会经济损失,常用的方法都不能做出有效的诊断。因此,为了最大限度的降低故障率,节约维修成本,运用高效故障诊断方法来解决故障问题,已经成了现阶段的一项非常重要的研究课题。本文研究了滚动轴承在不同故障条件下的振动机理及特征状况,介绍了相关向量机的基本原理状况,分析验证了滚动轴承的特征提取方法,阐述了核函数在相关向量机(RVM)中的重要作用,设计了相关向量机的轴承故障诊断方法,关于滚动轴承的正常、内圈故障、外圈故障、滚动体故障四种不同状态做了具体分析。首先,针对信号特征提取是故障诊断研究的前提和基础,提出了一种基于谐波小波包的信号特征提取方法。该方法先对测试数据进行谐波小波包分解,求得小波系数;接着求解获得不同尺度下的小波系数的能量值,对得到的能量进行标准化处理,得到故障特征向量;其次,针对核函数是相关向量机中的一个重要的影响因素,而一般方法的优化效果不够理想的问题,提出了一种基于自适应遗传算法(IAGA)优化RVM核函数参数的方法。该方法利用了IAGA算法、种群多样、迭代次数少、全局搜索寻优能力强的优点,自适应地选取最优核参数,并将其应用于滚动轴承的智能故障诊断中。通过仿真验证,IAGA优化的RVM核函数参数比自适应遗传算法(AGA)以及遗传算法(GA)优化RVM核参数效果更好。再次,针对滚动轴承故障成因复杂一般属于多分类识别问题,而单一的多分类方法很难有效的识别问题,故而引入了投票机制和分类理论,将RVM和改进的“一对一”(OAO)方法相结合构造出改进的OAO-RVM分类模型,有效的实现了故障识别分类。实验结果表明:与传统的支持向量机(SVM)方法比较,RVM分类方法所需相关向量的个数更少,故障诊断的精确度更高;与一般的“一对一”相关向量机(OAO-RVM)、“一对多”相关向量机(OAR-RVM)方法比较,本文提出的改进的OAO-RVM方法既降低了故障分类的错误率,又节省了故障诊断的时间。