低温高速滚动轴承在运转过程中,常受各种背景噪声干扰。当轴承中存在早期弱故障时,故障特征常会被强噪声掩盖,致使难以获取故障特征。因此采用有效的诊断技术和方法,分析轴承振动数据,提取故障特征进而判别故障位置,对提高液体火箭安全可靠运行具有重要意义。本论文以“低温高速滚动轴承振动信号”为研究对象,使用完全噪声辅助经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Nosie,CEEMDAN)作为信号分析方法,使用支持向量机(Support Vector Machine,SVM)作为分类识别方法,主要研究内容包括信号降噪、特征值提取和识别轴承运行状态三个方面。具体如下:(1)针对轴承早期弱故障易被噪声掩盖的问题和轴承振动信号的非线性非平稳特性,引入经验模态分解(Empirieal Mode Decomposition,EMD),研究了 EMD间隔阈值降噪方法。针对EMD算法中存在的模态混叠问题,研究提出一种改进CEEMDAN间隔阈值降噪算法,CEEMDAN算法能较好地减弱模态混叠现象,有效提高降噪方法的性能。针对软硬阈值函数存在的偏差性和连续性问题,提出一种适合间隔阈值降噪思想的改进阈值函数。此外,为提高计算效率,文中提出方法仅对噪声主导的特征模态函数进行降噪处理,为此引入自相关函数作为判别特征模态函数是噪声主导还是信号主导的判别依据。将改进降噪方法应用到加噪确定信号、典型信号和凯斯西储大学轴承工程数据上,实验结果表明无论在低信噪比还是在高信噪比条件下;无论针对哪种信号;改进降噪方法均能提高信号的信噪比、凸显故障特征。(2)基于CEEMDAN算法,发现特征模态函数的能量分布可以反应信号的状态类型,为此引入能量特征提取方法。针对轴承测试台故障样本数量有限的情况,采用能较好解决小样本分类识别问题的SVM对故障状态进行分类识别。提出基于CEEMDAN和SVM的智能诊断方法,并将提出方法应用在凯斯西储大学轴承工程数据上,实验结果表明提出方法能够准确识别轴承运行状态。(3)将文中提出的改进CEEMDAN间隔阈值降噪算法和基于CEEMDAN和SVM算法的智能诊断方法,应用于低温高速滚动轴承的实测振动数据。实验结果表明,文中提出的降噪方法能减弱噪声影响,凸显故障特征;基于现有的轴承数据,文中提出的智能诊断方法能准确识别轴承运行状态。