滚动轴承是旋转机械设备中应用最为广泛的基础零部件之一,由于常常处于恶劣的工作环境中导致其故障频发,从而对整台设备的运行造成影响,轻则导致设备工作效率下降甚至停产,造成一定的经济损失,重则引发安全事故,对生命财产造成威胁甚至破坏社会稳定。因此,开展滚动轴承故障诊断技术研究,尤其对轴承早期微弱故障诊断进行研究具有重要的科学理论意义和工程应用价值。目前,经验模态分解(Empirical Mode Decomposition,EMD)以及集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)作为一种自适应时频分析方法常常被用于轴承微弱故障诊断,但由于EMD中存在模态混叠以及EEMD中存在过度分解等问题,致使微弱故障特征提取困难,微弱故障诊断不理想。针对上述问题,本文从特征提取与故障识别两个方面进行研究,主要研究工作如下:(1)针对EMD和EEMD方法存在模态混叠、噪声残留致使对滚动轴承早期微弱故障特征提取效果不理想的问题,以EMD理论为基础,提出了一种基于集成噪声重构经验模态分解(Ensemble Noise-reconstructed Empirical Mode Decomposition,ENEMD)与Teager能量算子相结合的轴承微弱故障特征提取方法,利用原信号中固有噪声分量的重采样改变信号局部极值点特性,从而改善模态混叠现象,同时,它通过固有噪声分量代替了EEMD中人为添加的白噪声,避免了噪声残留的现象,进而更好的提取到滚动轴承的早期微弱故障特征。(2)针对ENEMD中存在过度分解,致使模态选择困难,有效信息提取不完整,进而导致滚动轴承微弱故障特征提取困难的问题,提出了一种改进ENEMD的滚动轴承微弱故障特征增强方法。通过引入聚类的思想,将分解出的固有模态函数(Intrinsic Mode Function,IMF)组合为最优数量的组合模态函数(Combined Mode Functions,CMF),克服了ENEMD中对故障信号过度分解的问题,实现了分解模态的自主选择,减少了模态数量,提高了有效信息的完整性,增强了轴承微弱故障特征。(3)对轴承微弱故障类型进行机器自主识别。筛选出经过改进ENEMD分解的敏感CMF分量,计算其近似熵作为信号的特征向量,构建特征向量矩阵,将其输入到模糊C均值分类器中进行故障识别。本文针对轴承早期微弱故障特征不明显,容易淹没于强背景噪声中,致使微弱故障特征提取困难或不理想的问题,追根溯源,通过改进的ENEMD有效克服了EMD及EEMD中模态混叠和噪声残留现象,解决了ENEMD中过度分解问题,增强了微弱故障特征,进而使轴承微弱故障特征提取更加理想,最终通过模糊C均值分类器实现了微弱故障的机器自主识别,得到了更加优异的聚类效果。通过理论分析与工程数据验证相结合,证明了所提方法的有效性及优越性,具有一定的工程实际意义。