根據軸承知識得軸承運行時的振動信號是典型的非線性非平穩時間序列，對其建立時變自回歸參數模型，可以較好地表征軸承振動的非平穩特征。運用軸承知識在對軸承振動信號時變自回歸模型的時變參數進行大量實驗分析研究的基礎上，提取均值作為表征軸承運行狀態的特征參數，并輸入支持向量機分類器進行故障識別與分類，實現滾動軸承的智能故障診斷。實驗結果表明，該故障診斷方法可以有效準確地識別滾動軸承的運行狀態。

     滾動軸承是旋轉機械中應用最廣泛的零部件之一，軸承工作狀況的好壞決定著機器能否正常工作。統計顯示，旋轉機械設備的功能失效有是由軸承故障引起的，因此，對滾動軸承進行故障診斷具有十分重要的意義。軸承運行時的振動信號是典型的非線性非平穩時間序列，很難用一個完全確定的數學函數來表達。因而對軸承進行故障診斷常通過提取振動信號的特征參數并建立其與運行狀態之間的關系來實現。時間序列分析通過將觀測數據擬合為一個參數模型，實現對系統動態特征與內在結構關系的近似描述常用的時間序列參數模型，如 自 回 歸 模型、滑動平均模型和自回歸滑動平均模型等，都是在假定數據序列為平穩的條件下建立的，在實際應用中存在一定的局限性。時變參數模型因其具有較高的非平穩信號時頻分布分辨率而受到普遍關注時變自回歸 模型是目前應用最多的一種時變參數模型，通過對滾動軸承振動信號的模型求取的時頻譜進行奇異值分解，提取奇異值作為特征參數，對轉子系統振動信模型，提取其基函數的組合權值作為特征參數，實現了對旋轉機械的狀態監測和故障診斷。目前，直接提取振動信號模型的時變參數作為反映機械設備運行狀態特征參數的研究還不多見。通過對軸承振動信號的模型的時變參數進行大量實驗研究分析，發現時變參數能有效利用信號的時頻分布信息，較好地表征非平穩信號的動態特征。為此，提出一種基于時變自回歸參數模型的滾動軸承智能故障診斷方法。