滚动轴承是机电设备中的常用零部件,对其进行故障监测和诊断具有重要意义。机械设备运行过程中产生的振动信号包含了丰富的故障信息,对这些信息进行分析与处理,获得机械设备零部件的状态变化信息,进而判断机械设备或零部件是否存在故障。时频分析方法是机械故障特征提取中应用广泛的一种分析工具。基于此背景,本文引入了一种新的时频分析方法-局部均值分解,采用局部均值分解、神经网络、支持向量机、奇异值分解的理论和方法,对滚动轴承故障诊断方法进行了研究。主要研究内容如下:1.阐述了传统时频分析方法在分析时变非平稳信号中的应用,指出了其存在的缺陷,通过LMD方法和传统时频分析方法的仿真信号对比,结果表明LMD对瞬变信号的频率与幅值变化表征明显,在减少迭代次数、抑制端点效应方面优于EMD方法。2.将LMD和神经网络相结合,提出一种基于LMD与神经网络的智能诊断方法。以LMD作为预处理器,分解得到若干PF分量,从包含主要故障信息的前几个分量中提取滚动轴承故障特征,通过与基于小波包分解提取故障特征的对比,表明基于LMD和神经网络的方法可以有效识别滚动轴承故障类型,具有更好的识别能力。3.将小波包和LMD方法相结合,改进了原来的LMD方法,对小波包重构后的信号再进行LMD分解。针对滚动轴承出现局部故障时往往伴随着周期性脉冲信号这一特点与奇异值分解技术的缺陷,提出了一种基于改进LMD奇异值分解的故障特征提取方法。对滚动轴承实验信号的分析结果表明,基于改进LMD奇异值分解和SVM的故障诊断方法对滚动轴承的故障有很高的识别率,从而为滚动轴承故障诊断提供了一种新方法。