滚动轴承作为现代机械设备中重要部件,其正常与否影响着工业生产是否顺利进行,而滚动轴承信号包含丰富的轴承状态信息,因此,及时地对滚动轴承信号的状态进行准确地诊断具有极大的理论研究价值。为此,本文以滚动轴承信号为研究对象,将集总经验模态分解方法和单形进化改进的支持向量机学习网络相结合,提出一种新的滚动轴承识别诊断方法,该方法主要从信号的识别和特征提取两个方面进行研究。在故障识别方面,神经网络和支持向量机具有独特的优势,又存在自身的缺点,本文在研究众多的模式识别方法的基础上,采用支持向量机的基本结构,构建神经网络。而支持向量机结构的神经网络模型在参数优化过程中,存在控制参数过多、易陷入局部最优解等问题,因此,本文引用了单形进化算法优化支持向量机的结构参数,其中单形进化是一种新型群体智能优化算法,它利用全随机的方式建立粒子的单形邻域搜索算子以减少算法控制参数,建立粒子多角色态搜索策略以避免算法陷入局部最优解,具有控制参数少——仅有一个控制参数、全局搜索能力强等优点。在特征提取方面,针对非平稳特性的轴承信号,采用集总经验模态分解方法及其改进方法,对信号进行特征提取。具体地,首先,将滚动轴承信号进行分解;然后,对各个模态构建AR模型参数和自相关谱模型;并构建AR模型参数特征和自相关谱特征。将两种方法提取的故障特征送入单形进化优化后的SVM网络,完成滚动轴承信号的分类识别。实验表明,本文提取的特征可以很好反应各类故障信号,并且基于单形进化算法的SVM网络算法具有很好的收敛效果和分类性能。