滚动轴承是旋转机械中最常用、最关键的部件之一,同时也是最容易损坏的机械零部件之一。许多旋转机械的故障都与滚动轴承的状态有关,其缺陷会导致机械设备产生异常振动和噪声,甚至造成设备和人员的重大损伤。因此,研究滚动轴承的故障诊断技术具有十分重要的意义。本文主要是利用经验模态分解法(Empirical Mode Decomposition,EMD)来提取振动信号的特征值,然后利用BP神经网络来判断轴承是否存在故障,将两种方法相结合来形成一种智能的滚动轴承故障的判断方法。本文首先简要介绍机械故障诊断以及滚动轴承故障诊断技术的研究目的和意义,介绍了滚动轴承故障诊断技术的发展现状和常用的滚动轴承故障诊断方法。文中叙述了滚动轴承的几种主要的失效形式,经过对滚动轴承结构及运行机制的分析,计算出滚动轴承的固有频率及故障特征频率,同时介绍了诊断滚动轴承故障的一些常用的方法。介绍了EMD时频分析方法的相关基本概念,概述了EMD方法的基本原理、正交性及完备性以及基于EMD方法的希尔伯特变换,同时提出了EMD方法存在的问题以及改进的方法。概述了神经网络技术的起源与发展,主要介绍了BP神经网络的模型结构、前向传播、误差反向传播以及他们相关加权系数的调整计算,介绍了BP神经网络的网络设计,最后提出了EMD方法与BP神经网络方法相结合,构成一种滚动轴承故障的智能诊断方法。并利用实验验证了此种方法的有效性。同时,结合Matlab与Visual Basic两种软件的特点,开发了将两种软件相结合混和编程的滚动轴承故障智能诊断系统。