由于提取滚动轴承的非平稳非线性信号特征较为困难，强噪声背景下难以诊断早期故障，故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition，LCD)和核极限学习机(Kernel Extreme Learning Machine，KELM)的智能诊断方法（LCD_KELM）。该方法首先对信号进行LCD分解，将其分解成多个內禀尺度函数（Intrinsic Scale Component ,ISC），选取包含有效频率成分的ISC并计算其近似熵值(Approximate Entropy，ApEn)，使用KELM对随机选取的近似熵值进行训练，保存训练参数后，利用剩余的近似熵值进行测试，实验结果表明LCD_KELM具有较高的诊断准确率，能够对滚动轴承运行状态进行高精度诊断，从而判断滚动轴承的运转状况。
