随着科技的高速发展,现代工业的自动化水平越来越高,在矿山、冶金等行业正逐步形成以振动机械为主体的生产线。当振动机械发生故障时,将会影响整个生产线的运行。在例行的维护中,如果能尽早的识别出振动机械的故障部位并加以维修,将会更好的防止事故的产生。因此振动机械早期故障诊断的研究具有非常重要的意义。再者随着振动机械步入老龄化,其工作的稳定性随之降低,对其进行实时监测和在线故障诊断也十分重要。由于振动机械工作时的环境噪声和工作噪声较大,而其产生早期故障信号非常微弱,此时故障信号易被强噪声所淹没,故微弱故障信号的提取成为了一个难点。为此改进了小波阈值降噪方法:即改进阈值估计值和择优选取阈值函数,更好的实现微弱信号降噪;并将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和奇异值分解(Singular Value Decomposition,SVD)结合,提出了高低频的结合准则,用于弱信号提取:即分析强噪声对EMD算法的影响,通过仿真分析和对比分析,证明EEMD可以有效的解决EMD的模态混叠问题和端点效应。SVD算法在噪声较弱的情况下,信号提取效果极佳,但是随着噪声的增加、信噪比的减小,奇异点逐步消失,该方法失效。用EEMD和SVD相结合的方法,可提取出信噪比为-15db的微弱信号。振动筛是一类典型的振动机械,滚动轴承故障是其最常见的故障之一。对其滚动轴承内、外圈点蚀故障的频谱进行分析,发现信号中不仅有噪声的干扰还有边频的影响,更加大了故障特征频率提取的难度。首先应用改进小波阈值分析法对故障信号进行降噪,随之用EEMD-SVD方法选取合适IMF分量频率段,进行故障特征频率的提取。结果表明,改进小波阈值分析法和EEMD-SVD相结合的方法可以提取出振动筛滚动轴承早期点蚀故障的特征频率。振动筛在线诊断系统的开发中,应用加速度传感器、信号调理器、数据采集卡和计算机搭建起采集系统的硬件部分,通过LabVIEW软件编程实现实时振动信号显示、信号处理与分析、故障判别与报警,完成两个功能:激振器滚动轴承的实时监测功能、弹簧同步性监测功能。系统包含三个界面:数据采集界面、轴承故障诊断界面和弹簧同步性故障诊断界面,并对实验室振动筛进行监测和诊断。