1.一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于，包括如下步骤：S1、采集轴承振动信号，并通过CEEMDAN对振动信号进行模式分解，依次生成多个模式分量；

S2、采用灰色关联分析法对多个模式分量进行分组，包括噪声主导分量和信号主导分量；

通过灰色关联分析法计算分解后的第一个模式分量与其它模式分量之间的灰色关联度值，并求其平均值，其中，选择灰色关联度值大于平均值的模式分量以及第一个模式分量作为噪声主导分量，其它模式分量视为信号主导分量；

S3、对噪声主导分量进行自适应去噪，去噪后的分量与信号主导分量进行重构，生成重构信号；

S4、计算重构信号的Teager能量算子，使用Teager能量谱图识别故障类型。

2.根据权利要求1所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于：在步骤S1中，搭建机械轴承数据采集平台，利用加速度传感器采集轴承振动信号x(t)。

3.根据权利要求2所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于：模式分解具体为：(1)、令r0(t)＝x(t)；

i (i) (i)

(2)、向振动信号x(t)中添加不同幅值的白噪声，r0(t)＝r0(t)+ε0w (t)，其中，w (t)为白噪声，ε0为噪声的幅值，i＝1,2...,I，其中，I为添加白噪声的次数；

i i

(3)、对加噪信号r0 (t)分别进行经验模式分解，取各自分解的第一阶模式分量IMF1(t)，然后对其求平均值，得到信号r0(t)的第一阶模式分量IMF1(t)及残余信号r1(t)＝r0(t)‑IMF1(t)；

i (i) i

(4)、对残余信号r1(t)进行加噪处理，得加噪信号r1 (t)＝r1(t)+ε1w (t)，对信号r1(t)分别经验模式分解，取各自分解的第一阶模式分量，然后对其求平均值，得信号r0(t)的第二阶模式分量IMF2(t)及残余信号r2(t)＝r1(t)‑IMF2(t)；

(5)、如此类推，当残差rn(t)为一个单调函数时，迭代结束，最终原始信号

4.根据权利要求1所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于：灰色关联分析法计算过程包括：(1)、输入CEEMDAN分解所得的模式分量集IMF＝{IMF1,IMF2,...,IMFn}，IMFi＝{IMFi(1),IMFi(2),...,IMFi(N)}，其中IMFi表示模式分量，i＝0,1,2...,n，IMFi(t)表示第i个模式分量中的元素，t＝1,2,...,N，其中N为信号长度；

(2)、确定分析序列，IMF1代表目标序列，IMFi代表因子序列，i＝2,3,...,n；

(3)、对IMFi(1,2,...,n)数据预处理，先求出IMFi中最小的元素并取绝对值，记min|0

IMFi(t)|，其次IMFi中的每个元素加上该值，记IMFi (t)＝IMFi(t)+min|IMFi(t)|，然后对

0 0

IMFi (t)求平均值，记为 最后用IMFi (t)除以该平均值，得到新的元素(4)、计算IMF1与IMFi(1 ,2 ,...,n)之间的灰色关联系数 γ i(t)：ρ＝0.5；

(5)、计算IMF1与IMFi(i＝1,2,...,n)之间的灰色关联度ξi，

5.根据权利要求1所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其特征在于：在步骤S3中，自适应去噪具体为：(1)、计算噪声主导分量IMFj标准差 其中N为IMFj的长度， 为IMFj的平均值；

(2)、删除IMFj中 大于3δ0的元素，剩余的元素构成新的模式分量 i＝1；

(3)、计算 的标准差 其中Li为 的长度，

为 的平均值；

(4)、计算 中 是否有大于3δi的元素，若没有，则确定阈值λ＝3δi，进行步骤(5)；若有，则删除相应元素，剩余元素构成新的 则进行步骤(3)；

(5)、计算 的局部极大值和极小值，并将极值取绝对值与确定的自适应阈值λ进行对比；

(6)、若极值的绝对值小于阈值λ，则该极值设置为0，反之，则保留该极值；最终获得获得去噪后的IMFj。

6.根据权利要求1所述的一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法，其2

特征在于：在步骤S4中，重构信号y(t)的Teager能量算子为：Ψ(y(t))＝(y(t))‑y(t‑1)y(t+1)，t＝1,2,...,N，N为y(t)的长度。