滚动轴承作为电机这类旋转机械设备中的一个关键组成部分,也是旋转机械类设备组成部分中发生故障机率最高的部分,因此及时检测出滚动轴承故障的原因显得尤为重要,其中轴承的振动信号包含的信息丰富、具有清晰的物理意义,最能直接和全面的反映设备的运行状态,因此采集电机轴承的振动信号进行故障诊断也最为常用有效。本文主要是对滚动轴承的故障振动信号展开分析研究,着重详细论述小波阈值降噪方法原理,经验模态分解原理以及BP人工神经网络理论。主要采取两种方法在滚动轴承的故障形式上给予讨论分析。方法一结合了小波阈值降噪法、相关系数法、峭度值准则和集成经验模态分解方法用于对轴承不同故障类型进行故障特征频率的提取,由此对轴承的故障形式进行识别。方法二是提取滚动轴承在不同损伤程度下的振动信号的特征参数值,挑选出敏感的时频域特征向量训练出BP神经网络,再由BP神经网络输出结果判断各类滚动轴承的故障形式。本文主要阐述了滚动轴承中振动信号产生的原理,表明使用振动信号来进行相关故障形式诊断是有根据的,对三种主要滚动轴承故障形式进行故障频率信息的提取,与物理学中故障特征频率计算公式求得的故障特征频率进行对照,就能判断出相应的故障形式。在滚动轴承的故障振动信号的去噪应用上,主要采用小波阈值降噪算法,在讨论传统小波阈值降噪方法缺点基础之上,提出了一种改进的小波阈值降噪算法,结合振动类信号敏感的峭度值特征参数,将新算法运用机械振动类信号的降噪处理中,实验也表明这种改进的小波阈值降噪算法能够在保留有用机械振动信号故障信号的前提下有效减少无用的高频噪声信号成分。再将这种新改进的小波阈值降噪算法与平均的总体经验模态分解算法结合,同时基于判断信号之间的相关性大小的相关系数法和故障振动信号峭度值准则,提出了一种滚动轴承故障信号提取的新方法,研究证明了该方法得到的滚动轴承故障频率信息更加清楚。另外本文还探讨了BP神经网络在滚动轴承不同故障形式以及损伤大小程度下的诊断应用,在收集比较充足的滚动轴承的故障振动波形样本数据的基础之上,对这些样本信号数据进行特征参数提取,其中有时域上的参数和频域上的参数,通过这些参数组建特征参数的矩阵输入向量,对输入的特征向量进行训练得到BP神经网络,从而能够对多种类型下的滚动轴承故障来进行准确识别,分别构建了四种滚动轴承故障模式下的BP诊断网络和十种滚动轴承故障模式下的BP诊断网络,实验证明所构建的两种诊断网络都对故障形式的判断达到了很好识别效果。