滚动轴承是机械中最常用也是最易损坏的零部件,其工作状态直接影响整台机械的运行效率,因此对滚动轴承的工作状态的检测与故障诊断具有重要的研究意义。机械设备的诊断过程包括诊断信息获取、故障特征信息提取和状态识别三部分,其中,故障特征提取和状态识别是诊断的关键。当滚动轴承发生故障时,其振动信号往往表现为非线性和非平稳性,本文引入了总体经验模式(EEMD)分解法是利用了高斯白噪声具有频率均匀分布的统计特性,使信号在不同尺度上具有连续性,避免模式混淆现象,具有很强的自适应性,并提出了EEMD与奇异值分解相结合的特征提取方法用以实现故障诊断的判断依据,进而利用模糊C均值聚类(FCM)的方法对滚动轴承故障状态进行识别。首先,研究了总体经验模式分解(EEMD)的基本原理及其在信号分解中的应用,并对其抗模式混叠性能进行分析,针对EEMD分解中存在的虚假分量和噪声分量的问题,采用相关系数分析提取有效本征模函数。其次,机械设备在强噪声背景下出现故障时,故障特征的识别与提取往往变得尤为困难。针对这种情况采用EEMD和奇异值分解相结合的特征提取方法,有利于提高滚动轴承故障信号的识别精度,增强故障信号的特征提取能力,保留有效信号成分并消去噪声成分从而改善信号的信噪比。最后,以模糊C均值聚类作为故障识别方法,对上述构建的轴承振动信号故障特征向量进行聚类分析,实现了轴承故障的识别与诊断,最后通过对比其他几种不同的故障诊断方法,表明EEMD-SVD和FCM聚类能够提高滚动轴承故障诊断的准确率。