风机是水泥厂生产中通风收尘不可或缺的设备，范围涉及到水泥生产的各个流程，一旦风机出现故障，将会给企业带来无法估量的损失。滚动轴承是风机中的重要部件，也是易损件，论文将以风机滚动轴承为对象进行研究。对于滚动轴承故障诊断来讲，振动信号分析是最有效的方法。本文针对轴承发生故障时振动信号的特点，将经验模态分解(Empirical Mode Decomposition，EMD)、排列熵与支持向量机(Support Vector Machine，SVM)相结合，实现风机轴承的智能诊断。由于轴承的振动信号是非平稳非线性的，本文从时频分析的角度研究了EMD分析方法。针对EMD分解过程中的端点效应问题，提出了互相关延拓方法来进行解决，消除端点处的振荡现象，保证分解得到的是真实的本征模函数(Intrinsic ModeFunction，IMF)。将IMF量化为排列熵指标，分析了EMD排列熵作为轴承振动信号特征信息的可行性和有效性，表明了EMD排列熵可以作为轴承振动信号的特征信息。论文对SVM核函数的选用进行了研究，提出了一种新的核函数。新核函数结构简单，计算量小，核参数可以基于样本自动调整。利用新SVM核函数进行训练，采用交叉验证的方法对训练参数进行寻优，可以有效的克服过学习和欠学习的发生。在新核函数与径向基核函数训练模型的比较中发现，新核函数的训练方法有更高的准确率，更好的学习能力和泛化能力，能够有效的对轴承故障进行分类。将本文方法应用于风机滚动轴承的诊断之中，采集轴承的振动信号，经过预处理后进行EMD分解，提取信号的排列熵，并以此作为SVM训练和测试样本，进行训练和测试。结果显示该方法可以有效的对轴承故障作出诊断。最后利用LabVIEW软件编写了风机滚动轴承故障诊断系统，将采集风机数据应用于该系统，得到的结果与实际相符，显示了论文诊断方法和软件的有效性。基于EMD排列熵和SVM的故障诊断方法，对于工业环境中轴承的故障诊断有着重要的参考意义。