滚动轴承作为旋转机械设备的关键组成部分,对旋转机械设备的安全运行起着至关重要的作用。针对轴承故障振动信号非线性、非平稳、样本数量小的特性,选取合适的特征提取以及模式识别方法是实现轴承故障诊断、提高故障识别率的关键。本文对滚动轴承故障机理以及常用的故障诊断方法进行了介绍,根据轴承振动信号的非线性、非平稳特性选取Hilbert-Huang变换作为特征提取方法,分析了其优缺点。针对经验模态分解过程中虚假分量的问题,引入相关系数来选取有效的固有模态分量并对其进行Hilbert变换,通过仿真验证了改进方法的有效性。由于轴承故障诊断属于典型的小样本问题,选取适应于小样本分类的支持向量机作为分类器。根据轴承信号非线性、多种类的特点引出非线性支持向量机和多分类支持向量机。采用改进后的粒子群优化算法对支持向量机进行参数寻优,通过实验验证了改进后算法的有效性。针对边际谱包含大量冗余信息,导致分类器计算复杂度增加,引入稀疏编码理论,建立HHT-SC-SVM滚动轴承故障诊断模型。对边际谱进行二次抽象,建立统一的字典库,进行稀疏表示,将稀疏系数送入分类器进行训练和预测。采用SKF-6205-2RS轴承试验台数据对本文提出的HHT-SC-SVM模型进行实验分析。实验结果表明,风扇端十种轴承故障识别率为98.25%,驱动端十种轴承故障识别率为99.5%。与HHT-SVM模型相比,故障识别率分别提高了9%、0.5%。