机械设备是制造业中重要的组成环节之一,随着人工智能产业的逐渐兴起,制造业也融入了智能化元素。机械设备的工作环境大多比较恶劣,并且机械设备结构复杂、各零件之间关系紧密且相互配合,同时在机械设备中滚动轴承的使用频率最高,所以容易受到磨损,而滚动轴承能否正常运转直接决定整个机械设备的运转情况。所以,本课题对机械设备的滚动轴承的各种故障类型信号进行特征提取,并设计分类器模型进行故障诊断。本文首先通过小波分析对信号进行降噪处理,由于单个传感器中采集到的信号可能存在多种故障类型信号,所以本文选取ICA算法实现盲信号特征提取,将不同类型的故障信号进行分离,以便后续对单一故障类型信号进行处理。本文选取EMD方法对单一故障信号进行特征提取,由于EMD分解中存在端点效应,引入支持向量回归改善EMD分解效果。然后根据能量分布情况,确定分解层数,获得特征向量。同时,本文还引入了AR模型,将EMD分解方法和AR模型相结合,以AR模型的自回归系数和模型方差作为特征向量。同时,针对故障信号的准确分类,建立故障诊断分类模型,用于测试两种故障特征提取的方法。首先,设计了神经网络主分类器结构,引入弹性网络抑制其过拟合现象,同时基于Adam算法以损失函数为依据通过训练数据迭代地更新神经网络权重,然后以k-d树构建从分类器,从而提高整个分类模型的准确率。使用两种方式对提取到的故障特征向量分别进行训练和测试之后,分类模型对于基于AR和EMD提取到的特征值组成的测试集准确率更高,达到92.17%,证明基于AR和EMD模型提取到的特征值能更好的反映出故障的状态信息。