机械故障诊断是制造业对设备进行有效基础保养、改良改造的关键,对于保障机械设备的安全、稳定运行和延长设备寿命、提高点检及整备效率具有重要意义。而机械设备故障诊断的重要切入点及关键监测点便是机械设备的振动信号,通过对机械设备故障振动信号的监测与分析,可以有效诊断设备当前的运行状态。有效的机械故障诊断仍是其实现的至关重要因素,因此要克服机械设备运行环境的各方面干扰,如多种振动信号交错、时不时会出现其的他方面更明显的噪音。这样,特征信号的提取变成了设备故障诊断实施的关键,否则无法提取特征较为明显的信号,也就无法进行精准的设备故障诊断。在故障信号分析方面,随着分析技术日趋全面,像相关分析、时频分析、时域分析、频域分析等分析手段已经被我们熟知和普遍应用。针对上述机械故障振动信号提取现状以及多年来众多学者和研究人员对机械故障信号特点的分析,我们发现经验模态分解(Empirical Mode Decomposition,EMD)在针对这些机械故障信号时虽然会出现噪声问题、端点问题等情况,但同时在一定程度上可以适应机械故障信号信噪比低、频率成分复杂、不够平稳这些特点来进行故障的分析与应用。所以为了使EMD的上述稳定性不够的状况得以改进,使此方法更加全面、成熟、精确的应用于故障诊断中,本文针对改进方式做了陈述和说明。主要研究内容包括以下几个方面:(1)为解决噪声问题对EMD分解造成较大影响这一现状,首先要进行噪声处理,最可行的便是噪声降噪,所以我们提到多分辨奇异值分解(Multi-resolution singular value decomposition,MRSVD)的方法,利用MRSVD对信号降噪其可行性已通过仿真信号和滚动轴承故障特征的提取实验做了有效性证明。(2)针对信号分析中频繁遇到的有限长信号分析及处理过程中的端点问题,本文应用最小二乘支持向量机(LS-SVM)模型做以改进。LS-SVM模型的预测参数作为特征量可以用来分析系统的状态变化,因此应用于抑制EMD端点问题也十分有效。