滚动轴承在旋转机械中应用广泛，是较易损坏的零件之一。它的运行工况直接影响着机械系统是否能够正常运行。基于进口轴承中滚动轴承故障信号是非平稳、非线性的，而且因受到随机噪声的干扰而难以检测。针对这种状况，本文将小波软硬闭值折中消噪法、时频分析的新方法—希尔伯特黄变换(HHT)和模式识别的新技术—支持向量机 (sVM)相结合应用于滚动轴承故障诊断中。F旧T分析法包含经验模态分解(EMD)和希尔伯特谱分析两部分。

      基于HHT的这一特点，提出了两种不同的方法提取故障信号特征来进行故障诊断。 一种是基于Hilbert边际谱的故障特征频率提取的故障诊断方法。采集的故障信号首先进行消噪预处理，然后经过自适应的EMD分解和Hilbert变换得到故障信号的Hilbert边际谱，从而获得轴承故障的特征频率进行故障诊断。

      另一种方法是基于EMD的IMF能量特征向量提取和支持向量机相结合的智能诊断方法。该方法是把消噪后的振动信号进行自适应性的EMD分解得到的若干个固有模特态IMFs)分量，然后提取IMFS的能量特征向量作为支持向量机的输入进行故障诊断。在Matlab平台上对滚动轴承故障信号的仿真结果表明:与直接进行HHT分析相比较，小波消噪和HHT分析法相结合的方法能够更有效的提取滚动轴承的微弱故障特征信息，并且结合支持向量机能够在小样本的情况下精确的对滚动轴承的工作状态和故障类型进行智能识别