摘要： 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。

关键词: 故障诊断, 声发射, 滚动轴承, ICEEMDAN分解, 时域能量熵, GS-SVM