机电系统日益复杂,使得原来被忽略的非线性问题变得越来越突出,传统的理论建模以及采用单一理论和方法的故障诊断技术已难以取得令人更为满意的效果。因此,研究适用于非线性故障信号的智能诊断方法具有重要的理论意义和实际应用价值。本文以机械设备的核心部件——轴承作为研究对象,采用基于优化EMD分解和GA-BP神经网络的方法对其进行故障诊断。特征量的提取和故障模式的识别是故障诊断的关键。在研究经验模态分解算法(Empirical Mode Decomposition,EMD)的模态混叠问题基础上,采用小波包分析对原始信号进行预处理,在保持原IMF的性质特征的同时,解决了各个IMF分量正交性较差的问题,实现模态混叠的抑制,从而有效地提高EMD的分解能力。同时,根据能量判别法,选取出含故障特征信息最多、能量最高的重构信号作为下一步EMD分解的对象,能显著减少信号处理的时间。采用遗传算法对BP神经网络的初始权值和阈值进行优化,以提高BP神经网络算法的收敛精度和收敛速度,形成了一种基于优化GA-BP神经网络的故障诊断算法。最后,运用轴承振动实验数据对本文方法进行了仿真研究,实验结果表明,该方法可以有效地提取出故障特征量,快速地对故障类型进行识别,具有较高的可行性和准确性。