滚动轴承在运行过程中发生塑性变形、产生裂纹等形式故障时都会产生蕴含状态特征信息的声发射信号。针对滚动轴承声发射信号特征提取和故障诊断，提出一种基于改进自适应噪声完备经验模态分解（Improved completeensemble empirical mode decomposition with adaptive noise，ICEEMDAN）的特征提取算法，结合经网格搜索优化（GridSearch, GS）的支持向量机（Support vector machine，SVM）分类算法，实现对滚动轴承故障的模式识别。首先将滚动轴承典型状态原始声发射信号进行分解得到若干个固有模态函数（Intrinsic mode function，IMF）分量，筛选其中峭度较大的分量进行重构，然后计算重构IMF分量的时域能量熵值构造特征向量集合，最后再将特征向量集合输入到基于GS优化的SVM分类器模型中进行训练和模式识别，并将采用该方法所构建模型与其它分类器模型进行准确率和效率比较。模型仿真和故障模拟实验研究表明：基于将ICEEMDAN时域能量熵和GS-SVM相结合的模型可以有效提取滚动轴承声发射信号的故障特征并进行准确地模式识别。

曲轴轴系是往复机械传动系统的重要组件之一，其工作状态对整套机械设备的正常工作和使用具有直接的影响。研究针对振动信号分析的曲轴轴系的损伤模式识别问题，提出一种基于Hilbert 包络功率谱熵和支持向量机相结合的往复机械曲轴轴系损伤识别方法。基于曲轴轴系损伤机理展开研究，分析曲轴轴系发生故障振动的原因，建立典型的机械故障动力学模型，并通过构建故障模拟与振动测试系统获取曲轴实时振动信号；基于CEEMDAN方法对信号进行分解，选取峭度较大的本征模式分量进行Hilbert 包络解调分析获取包络矩阵，计算信号的瞬时包络功率谱熵，可以明显看出曲轴轴系故障表征；最后进一步用SVM完成模式识别。数值模拟与实验结果验证了方法的有效性。该方法对往复机械曲轴轴系早期故障模式的识别具有较好的参考意义。