滚动轴承是现代工业中大多数机械设备都存在的一种工业组件,同时也是极易发生故障的部位。滚动轴承的工况状态直接影响到机械设备的性能,发生故障时可能会导致设备损坏,甚至造成严重的事故。实现对滚动轴承的故障诊断,是当前滚动轴承的一个重要研究方向。本文在理论上阐述了轴承的振动机理,研究了轴承故障信号常用的分析方法。针对轴承故障信号含噪较多且故障特征频率难以提取的问题,本文深入研究和分析了经验模态分解(Empirical Mode Decomposition,EMD)方法,提出了一种改进EMD结合小波的方法,该方法能够清晰得到故障信号特征频率;为了进一步解决传统EMD轴承故障诊断过程中依靠人工进行判断的问题,本文提出了BN-CNN(Batch NormalizationConvolutional Neural Networks)模型,实现了轴承故障信号的自动识别,具体的研究内容如下所示:(1)对原始EMD分解过程中三次样条插值得到的上下包络曲线容易产生包络过冲和欠冲的问题,提出了基于有理三次Hermite插值的EMD改进方法,为了确定有理三次Hermite插值中的插值参数,通过对单分量信号分析,获得最优插值参数的目标函数,并结合天牛须优化算法,获取最佳拟合包络曲线。该方法有效地提高了EMD分解精度,并且能够在一定程度上抑制模态混叠现象。(2)由于实际轴承信号噪音过多,为了更加准确的获取轴承故障特征频率,将改进阈值的小波方法和改进EMD方法结合应用到轴承故障信号中。首先使用改进阈值的小波去噪方法对轴承故障信号进行去噪处理,然后利用改进EMD对去噪信号进行分解,通过包络谱分析,得到了更为清晰的故障特征频率。(3)为了解决传统EMD算法在轴承故障诊断中过度依赖人力判断的问题,首先对改进EMD结合小波方法处理重构后的轴承故障数据进行时频域统计特征提取,然后构建BN-CNN模型对提取特征进行故障识别。最后通过F1-Score和混淆矩阵对最终分类结果进行分析,结果表明,与传统的机器学习方法相比,BN-CNN模型能够有效识别轴承故障类型,具有较高地故障识别率。