滚动轴承故障支持向量机（SVM）智能识别的关键技术是故障信息的提取。由于小波变换和经验模态分解分别存在非自适应和模态混叠的缺陷

采用总体平均经验模态分解（EEMD）和样本熵来提取滚动轴承故障信息。实验中采集了3种工况和3种点蚀直径下的滚动轴承振动信号并进行小波降噪

降噪后信号用EEMD分解为若干个IMF分量

用样本熵表征主要分量的复杂性

同时设计了以EEMD样本熵作为训练和识别样本的SVM滚动轴承故障分类识别器。实验结果表明该方法在小样本的情况下能准确识别轴承正常和内圈、外圈、滚动体故障

并且随着样本数量增加识别准确性提高。