摘要：为了更有效地同时诊断出滚动轴承故障位置及不同性能退化程度，提出了对滚动轴承不同状态振动信号进行特征提取和智能分类的故障诊断方法。该方法对各状态振动信号进行集合经验模态分解，但其效果依赖于总体平均次数和加入噪声的大小这2个重要参数，因此，提出集合经验模态分解中加人白噪声的准则。将分解后的一系列固有模态函数结合奇异值分解获取各状态的奇异值，并组成特征向量矩阵。将其输入到改进的超球结构多类支持向量机进行分类，从而实现滚动轴承正常、不同故障位置及性能退化程度的多状态同时智能诊断。实验结果表明，提出的集合经验模态分解方法中加入白噪声准则，可避免人为确定分解参数，提高其分解效率。基于优化参数的集合经验模态分解结合奇异值分解的智能诊断方法比已有的基于经验模态分解结合自回归模型的诊断方法识别率高。

关键词：集合经验模态分解 支持向量机 滚动轴承 性能退化程度 

单位：哈尔滨工业大学电子与信息工程学院 哈尔滨150001 哈尔滨理工大学电气与电子工程学院 哈尔滨150080