滚动轴承作为机械旋转设备的核心组成部分,其故障与否直接影响设备的安全与稳定,实际的运转中为了满足不同的生产需求,滚动轴承既有恒定转速又有变动转速运行状态,因此如何从不同运行状态下的滚动轴承进行故障诊断十分重要。滚动轴承故障诊断关键在于提取振动信号中的故障信息,而这需要选取合适的信号分析方法。目前出现了众多有代表性的信号分解方法,例如经验模态分解(EMD)、总体平均经验模态分解(EEMD)、局部均值分解(LMD)及其他们一系列改进算法,然而这些算法在理论上仍存在一些难以解决的问题,例如模态混叠、端点效应等。因此采用新的信号分解方法应用到滚动轴承故障诊断领域尤为重要。变分模态分解(VMD)是由Konstantin Dragomiretskiy在2014年创造性提出的一种新的信号处理方法,该方法有着坚实理论基础和数学框架,本文在对变分模态分解算法进行了深入的研究,在此基础上将其应用于滚动轴承故障诊断中,对不同运转情况下的轴承故障诊断进行了方法研究,主要内容如下:首先介绍了课题的研究背景及意义,对故障诊断方法的发展,轴承结构,振动机理及故障特征频率计算方法作了全面阐述,在此基础上提出了本文研究方法。将VMD和EMD两种方法分别应用于仿真信号分析中,证明了VMD方法在抗模态混叠、噪声鲁棒性方面性能优于EMD。针对VMD方法中惩罚因子与模态分量两个参数的选取问题,通过仿真信号探究了VMD参数设置不同对信号分解能力的影响,最后结合各分量的相关系数与中心频率提出了参数的合理设置方法。其次针对滚动轴承早期振动信号故障信息微弱难以提取的问题,提出了基于互相关函数与VMD的滚动轴承早期故障诊断方法,早期故障信号经互相关分析能够消除背景噪声及其他干扰,从而突出信号中故障冲击成分;然后对降噪信号进行VMD分解,并对峭度值和互信息值较高的分量进行解调分析;通过滚动轴承仿真外圈故障信号及实测内圈、滚动体故障信号进行分析,结果表明该方法能有效消除噪声干扰并提取故障特征信息。再次由于滚动轴承实际运转中启停、载荷变化等会导致转速的变化,为了实现变转速工况下滚动轴承故障诊断,结合阶次谱峭度算法与VMD的优势,应用于变转速振动信号故障特征提取中。分别采用对实测减速工况下的外圈故障信号直接进行阶次包络分析和阶次-VMD分析进行对比,结果验证了该方法在变转速工况下滚动轴承故障诊断的有效性及准确性,在故障特征阶次提取效果上更加精确。