滚动轴承既是旋转机械中的最常用部件之一,又是极易发生损伤的元件,对滚动轴承的故障诊断研究具有重要的现实意义。在故障诊断过程中,从故障振动信号中提取故障特征是故障诊断技术的关键,而现代信号处理技术的运用在特征提取过程中发挥着核心的作用。对于滚动轴承振动信号一类的非平稳、非线性信号,传统时频分析方法都具有各种各样的局限性。本文首先分析了如短时傅立叶变换、Wigner—Ville分布、小波变换等时频分析方法的特点与局限。随后通过对瞬时频率、内模函数、Hilbert谱等基本概念的介绍,对由美籍华人N.E.Huang等人提出的经验模态分解方法(Empirical Mode Decomposition)的原理和算法进行了详细说明,揭示了EMD分解方法将信号分解成一系列单分量成分,并通过Hilbert变换这一有效桥梁,反映信号频率、幅值的局部瞬时变化规律的本质,验证了EMD方法自适应性、多分辨率、完备性等优势特点。本文还针对经验模态分解在实际应用中存在的模式混叠、在低频段产生多余IMF分量等问题,通过外部、内部两种小波分析与EMD方法的结合,对EMD筛分方法进行了改进。其中外部结合方法,利用小波去噪优势,在滤除干扰噪声的基础上与EMD方法结合,有效解决了EMD方法受噪声干扰的问题;内部结合方法,以内模函数定义为出发点,创新性地提出了一种基于小波包的筛分方法(Wavelet Packet Based Sifting,WPBS),该方法不但规避了采用三次样条拟合包络线所引起的一系列问题,还提高了信号的分解效率和精度,对噪声干扰也有一定的抑制作用。通过仿真信号和滚动轴承故障振动信号的检验,证明了小波包与EMD结合方法的可行性和有效性。