滚动轴承是机械设备中最常见、最重要的部件,并且在设备处于工作过程中,滚动轴承往往处于高速运行状态,相对于设备中的其他部件更容易发生故障。在实际工程环境中,滚动轴承故障的发生常常以复合故障的形式出现,在这种情况下,多种故障信号相互重叠,并且存在噪声影响,无法直接从复合故障信号提取有效特征信息。另外,考虑实际工程环境中,安装传感器的限制,难以满足观测信号数目大于等于源信号数目的条件,本文以滚动轴承复合故障诊断为研究内容,以单通道盲源分离方法为工具,结合模式识别方法,对滚动轴承的复合故障诊断过程中的故障源信号分离、特征提取及状态识别等问题进行研究。论文的主要内容概括如下:(1)对滚动轴承振动机理进行分析,对滚动轴承各部件的特征频率计算方法进行归纳,总结滚动轴承的各类故障模式,选取发生频次高、危害大的故障作为本文的研究实验对象。(2)对盲源分离数学模型、盲源分离基本原理进行分析,并对欠定盲源分离的极端情况,即单通道盲源分离进行分析。在进行通道扩展时,针对经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法构建虚拟多通道观测信号时内蕴模式函数(Intrinsic Mode Function,IMF)分量中可能存在伪分量而产生误差的问题,提出了基于总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法进行通道扩展方法。为降低噪声干扰,利用总体最小二乘法与JADE方法相结合,最小化观测信号与估计信号的误差。(3)设计复合故障诊断方案,利用支持向量机(Support Vector Machines,SVM)实现复合故障诊断。对复合故障信号分离得到的源信号的估计信进行CEEMD分解,将噪声分布到IMF分量中,减小噪声影响,选取部分分量,计算其包络样本熵作为特征向量,对SVM模型进行训练,同时,结合粒子群算法,对模型参数进行优化,得到最优参数,提高状态识别准确率,最终实现单通道条件下的滚动轴承复合故障诊断。