随着工业水平的发展和科学技术的提高,印刷设备正朝着复杂化、自动化和智能化的方向发展,其运行状态直接影响了企业的安全生产和经济效益,因此对印刷设备进行状态监测和故障诊断具有重要的现实意义和经济价值。滚动轴承是印刷设备中重要的部件,轴承性能的好坏将直接决定一台机器的运作性能。通过对滚动轴承振动信号中包含的故障信息进行提取和分析,是机械故障诊断中一种常见的、行之有效的方法。本文以胶印机供墨单元中的滚动轴承为研究对象,针对滚动轴承中振动信号的非线性、非平稳性,运用了集合经验模态分解与Hilbert变换相结合的方法对故障振动信号进行了分解和特征提取,并建立了基于卷积神经网络的滚动轴承故障分类模型,完成了对着墨辊滚动轴承的故障诊断工作。论文的主要工作内容如下:(1)研究了集合经验模态分解方法的理论原理和算法过程,总结了其在分析非线性、非平稳信号上的优势,将其应用于印刷机轴承的信号处理中。通过实验对比证明了其对传统经验模态分解方法中出现的模态混叠现象的抑制效果,大大提高了原始信号分解后数据的准确性。(2)提出了基于集合经验模态分解和Hilbert变换相结合的故障特征提取方法。轴承振动信号经集合经验模态分解后,选取有效的IMF进行Hilbert变换求得故障信号的瞬时频率,汇总得到轴承振动信号的故障特征数据集。轴承振动信号的瞬时频率能有效反映信号的时频特征,准确地表征轴承的运动状态。(3)考虑到卷积神经网络在特征学习、模式识别方面的优异表现,建立了基于卷积神经网络的滚动轴承故障分类模型。通过实验分析了卷积神经网络中一些重要参数设置对轴承故障诊断结果的影响,得到了适用于本文轴承样本情况的分类模型的最优参数,并验证了本文故障分类模型在滚动轴承故障诊断中达到了很高的分类准确率。相关研究为印刷机智能化故障诊断的信息获取与识别技术提供了重要参考,具有一定的工程应用价值。