随着旋转机械在科学技术和经济领域的广泛应用,各行业对机械设备运行可靠性提出更高要求。电机滚动轴承作为旋转机械内部负责动力转换的核心部件,其运行状态将对旋转机械整体性能和安全产生巨大影响,因此对电机滚动轴承故障检测保持高快速性和准确性具有重要的意义。故电机滚动轴承故障诊断研究已逐渐成为故障诊断领域的重要研究内容。由于电机滚动轴承运行过程中产生的振动信号常掺杂多种噪声信号,使得振动信号难以准确反应出电机滚动轴承运行状态,不利于故障分析和诊断。因此本文重点对电机滚动轴承故障诊断方法展开深入研究,主要包括振动信号降噪方法,故障特征信号提取方法以及故障模式识别方法,具体研究内容如下:（1）构建改进CEEMDAN算法的振动信号降噪模型。电机滚动轴承振动信号因受内部或外部因素影响而掺杂众多噪声分量,而噪声分量将对故障诊断结果产生直接或间接影响。因此为保证故障诊断结果的精确性,需要对原始振动信号进行降噪处理。因此本文从对原始振动信号充分利用的角度出发,综合运用熵权法和SG平滑滤波算法对传统的CEEMDAN算法进行优化与改进,构建基于传统CEEMDAN算法的振动信号降噪模型。并运用美国凯斯西储大学提供的电机滚动轴承故障数据,验证降噪模型的有效性和可行性。（2）基于降噪模型对振动信号降噪基础上,运用包络谱分析实现电机滚动轴承故障特征信号提取。电机滚动轴承故障类型所对应的理论故障特征频率相对固定,且相互之间具有较明显差异,可较为准确的反应故障类型。因此在分析理论故障特征频率基础上,对降噪后的振动信号进行时域与频域分析,完成故障特征信号提取。（3）构建优化极限学习机模型。传统极限学习机在确定隐含层神经元个数过程中,神经元个数选取较小时将不足以提取整体样本的总体特征;当神经元个数选取较大时,将会使得整个算法产生过拟合现象。因此为避免传统极限学习机自身弊端,将核函数引入至传统极限学习机内实现算法优化。同时在传统布谷鸟算法基础上,设定动态发现概率和搜索步长,对核函数参数实现寻优,进一步提高优化核极限学习机对电机滚动轴承的故障识别率。最终与众学者使用的模糊K-means算法进行故障诊断结果进行对比分析,对比结果显示优化后极限学习机具有更高的故障识别精度。