机械设备的正常运转是工业生产的重要保障,因而其故障诊断技术日益受到重视。论文以振动信号分析为基础,从故障特征提取、模式识别两个关键环节进行研究,提出了基于快速变分模态分解(FVMD)、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法。在快速变分模态分解方法中,对拉格朗日乘法算子进行二次更新,使算法的收敛速度加快。在迭代终止准则不变的情况下,快速变分模态分解的运行时间、迭代次数减少。通过仿真信号对快速变分模态分解方法的噪声鲁棒性及分离多分量信号的能力进行分析验证,并将快速变分模态分解应用于滚动轴承的故障诊断。其次,对多尺度排列熵算法的参数时间序列长度N、嵌入维数m、延迟时间τ和尺度因子s进行研究。针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法。之后,利用多尺度排列熵量化故障特征,将快速变分模态分解与参数优化多尺度排列熵结合用于故障特征提取,并通过轴承振动信号验证其有效性。再次,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类新方法。之后,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别。应用该方法处理轴承不同故障类型、不同损伤程度的共10种状态的振动信号。通过对比分析,验证其优越性。最后,以在机械故障实验平台上分别采集的轴承、齿轮故障数据作为研究对象,利用快速变分模态分解方法重构原始故障信号,结合参数优化多尺度排列熵算法进行故障特征提取,进而应用ReliefF特征加权GK模糊聚类与择近原则对故障分类识别。结果表明,相对于改进前的变分模态分解、多尺度排列熵和传统GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率更高。