针对滚动轴承故障成分周期性强且易被强烈的背景噪声所湮没的特点,提出了基于EEMD和自相关函数峰度系数的滚动轴承故障诊断方法。集成经验模态分解(EEMD)将信号从高频到低频逐次分解出具有不同振动模式的模态函数(IMF),高频部分的IMF分量中包含较多的故障冲击成分,然而其中往往含有大量的噪声,所以IMF分量的选取为故障特征提取的关键。周期信号和随机信号的自相关函数分布特征不同,随机信号的自相关函数在零点处最大,向两侧迅速衰减为0;虽然一般周期信号在零点处同样取得最大值,但向两侧衰减为0的过程是缓慢的。峰度系数作为度量数据在中心聚集程度的指标,在正态分布情况下,峰度系数值是0。正的峰度系数说明观察量更集中,有比正态分布更长的尾部;负的峰度系数说明观测量不那么集中,有比正态分布更短的尾部。峰度系数越大,则数据分布曲线越陡峭,说明其中噪声含量越多。峭度对冲击信号特别敏感,轴承正常运行时,振动信号峭度值大约为3;轴承出现故障时,峭度值随之增大;峭度值越大说明轴承故障越严重。故此,本文采用自相关函数峰度系数和峭度原则来筛选IMF分量。首先,将采集到的复杂振动信号进行EEMD分解,分别计算各IMF峭度值及其自相关函数的峰度系数,筛选峭度值大于3且峰度系数较小的IMF进行重构,这样既保留了最多的故障信息,又避免了强噪声对故障特征提取的影响;然后,利用谱峭度法确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障频率对比。通过仿真信号和轮对跑合实验台实测数据的研究分析,验证了该方法的有效性和可行性。