滚动轴承作为机器设备承受主要载荷的通用部件极容易发生损坏的情况,一旦出现故障,轻则会造成设备停止工作,产生经济损失,重则可能威胁工人的人身安全。研究轴承振动信号,可以一定程度上避免由于轴承损伤引起设备故障,提高设备运行的可靠性与安全性。本文以滚动轴承的振动信号为分析对象,提出采用SW-EMD方法对振动信号进行分解,利用FastICA提取各分量信号的频率特征,并根据独立分量的样本熵特征值进行故障诊断。研究内容主要如下:(1)针对EMD模态分解中出现的端点效应这一问题,结合几种传统抑制端点效应的延拓算法提出了 SW-EMD算法(基于相似极值筛选与波形匹配的EMD算法)。先由相似极值段对整段信号筛选出可能匹配的区间段,然后再通过波形相似性的计算确定相似波形段,从而确定端点处极值;利用相似系数、平均相对误差、运行时间三种指标对仿真实验结果进行评价,验证了该算法的可行性。(2)提出了基于FastICA算法的信号特征提取方法。针对选取有效分量的问题,本文提出了基于PCA的信号源数估计方法,利用协方差矩阵由累积方差贡献率的限制求出特征值和特征向量,确定主元个数k,进而确定前k个IMF分量为有效分量,最后通过实验得出前k个IMF分量重构的信号保留了原始信号的主要频率特征,验证了该方法的可行性;将这k个有效分量与原信号组成混合观测信号,再由FastICA算法分解得到独立分量,独立分量便将信号的主要特征进行了整合,比如频率特征会更加明显,通过实验分析验证了其对信号特征提取的有效性。(3)提出了基于样本熵和SVM的故障诊断模型,对独立分量进行样本熵计算,发现不同的轴承工况下的样本熵值区别显著,可实现对四类不同轴承故障的分类辨识。因此本文提出FastICA-样本熵结合SVM进行故障识别,将样本熵作为振动信号的特征参数,通过libsvm对样本集进行分类,实验结果表明,该方法辨识准确率高。