滚动轴承是机械设备旋转零部件中最容易发生故障的零件，它的损伤可能会引发机械设备严重的安全事故。在机械设备低速预热阶段对滚动轴承实施故障监测，是保证设备安全运行的方法之一。本文以机械设备在低速运行状态下对滚动轴承实施故障诊断为主要研究目标，提出了以快速互补集合经验模态分解（FCEEMD）和隐马尔科夫模型（HMM）为基础的故障诊断方法。通过仿真和实验对FCEEMD方法的信号分析能力进行了验证，并在此基础上运用FCEEMD-HMM方法及该方法改进后的方法进行了低速运行状态下滚动轴承故障诊断的研究。
　　首先本文综述了滚动轴承故障信号的监测方式、模态分解理论体系、HMM模型的应用等多个模块的研究现状。针对低速运行状态下滚动轴承故障监测的问题，以滚动轴承的结构故障原理为基础，构建了滚动轴承在低速运行状态下的故障监测实验平台。以互补集合经验模态分解（CEEMD）和停止准则为框架，简要概述了FCEEMD方法的理论。在此基础上以仿真信号分析为例，对FCEEMD方法展开了模态混叠、端点效应、分解保真性等三个方面的信号分析，从而验证了该方法的有效性。并以凯斯西储大学轴承实验数据为研究对象，在同条件下与EMD、EEMD、CEEMD等方法进行了信号分析比较，结果表明FCEEMD方法相比于其他方法具有更快的计算能力和更良好的信号分析能力。
　　其次以HMM理论为依据，提出了基于FCEEMD-HMM的故障识别方法。通过对仿真和实验数据的分析，验证了FCEEMD方法提取特征时对信号的滤波作用；同时运用Haar小波对实验信号进行了滤波，并根据信号分析运用FCEEMD对滤波信号实施了分解重构与特征提取；运用 HMM 模型对故障状态特征进行了识别，结果表明FCEEMD-HMM方法虽然在实际应用中相比同类其他方法具有一定的优势，但是由于数据获取、特征数值分析、识别模型参数设置等环节存在不确定因素，导致识别效果欠佳，所以故障辨识准确率有待提高。
　　最终通过对实验信号的时频能量分布分析，并应用FCEEMD方法对滤波信号分解重构后提取了小波包能量及多尺度排列熵作为特征，利用基于HMM模型与模态区间理论相结合的广义隐马尔科夫模型（ GHMM ）对特征进行了识别，结果显示相比于FCEEMD-HMM方法的识别准确率有明显的提高，验证了FCEEMD-GHMM方法对低速运行状态下滚动轴承故障诊断的能力，为实际工程中的故障监测问题提供了指导。