电机是现代工业过程中重要的驱动设备,而滚动轴承作为缓冲高速运转零部件的复杂受力的关键零件之一,因其具有摩擦力小、启动升速容易、结构简单、维修方便等特点,被广泛应用于各种电机设备中。而如此重要的关键零件一旦发生故障,会严重的影响电机的稳定性,甚至会引起严重的灾难性事故。因此,深入分析滚动轴承故障发生机理,探索电机用滚动轴承故障诊断技术,可以在滚动轴承出现不良性能之前提前做好维修工作,对延长电机有效工作时间具有十分重要的实际工程意义和应用前景。为此,本文将变分模态分解(VMD)引入到电机用滚动轴承故障诊断中,详细研究了基于变分模态分解的电机用滚动轴承非平稳振动信号故障特征提取,并融合基于遗传算法(GA)优化的极限学习机(ELM)的诊断模型,以期实现电机用滚动轴承故障的准确识别和诊断。首先,本文简要阐述了变分模态分解的基本原理,通过仿真信号对比分析验证了VMD分解可以有效避免EMD分解产生的模态混叠和虚假分量现象。其次针对VMD算法对初始参数敏感特性,提出一种由粗到精的参数优化策略,通过西储大学实验数据证明了该优化策略的有效性和实用性。在电机轴承存在早期微弱故障时其信号包含的故障特征微弱,为了更好的提取电机用滚动轴承振动信号的故障特征信息,本文提出基于符号动态熵理论及集合峭度的KEI评价指标,通过变分模态分解结合KEI评价指标将振动信号进行分解和筛选,将筛选出的最佳分量进行包络解调,获得滚动轴承的故障特征信息,通过实验数据处理分析证明所提出的VMD-KEI方法能够很好的对振动信号的故障特征信息进行提取。最后简要阐述了极限学习机的原理,针对极限学习机稳定性差等缺点,采用遗传算法对输入层和隐含层的相关参数进行优化,建立了GA-ELM诊断模型,并结合VMD-KEI特征信息提取方法,提出基于VMD-KEI和GA-ELM的电机用滚动轴承故障诊断方法,通过实验表明,此方法可以对滚动轴承内外圈及滚动体故障做出准确诊断。