滚动轴承作为旋转机械设备中的常用零部件,其运行状态将直接影响到整机性能。若滚动轴承出现故障而无法及时排查,可能造成整机瘫痪,产生巨大的经济损失,严重时可能导致人员伤亡。因此,无论从安全性或是经济性角度出发,对于滚动轴承的故障诊断具有重要的实际意义。变分模态分解(VMD)是一种非递归式信号分解方法,拥有坚实的理论基础,可有效避免端点效应、模态混叠等问题的产生,并具有良好的噪声鲁棒性。针对滚动轴承振动信号的非线性、非平稳性特点,将VMD方法应用于滚动轴承故障诊断领域,对其分解过程中关键参数的选取、虚假模态分量的剔除等问题进行了深入研究,提出了相关解决方法,通过与最大相关峭度解卷积(MCKD)、自回归(AR)模型、关联维数和最小二乘支持向量机(LS-SVM)等技术结合,提出了相关故障诊断方法,并进行了相关验证。本文的主要研究内容如下:(1)对VMD方法进行深入研究,指出目前常用解决方法存在的不足,通过仿真信号的对比分析,指出了VMD的算法优越性,同时对VMD存在的问题进行了总结,为后续的研究奠定了理论基础。(2)针对VMD分解过程中关键参数选取缺乏依据、虚假模态分量难以有效剔除的问题,采用一种基于相关系数的模态分解个数K和基于近似熵的惩罚因子α的选取方法,并根据滚动轴承信号特点,采用一种基于峭度和互信息熵的虚假模态函数选择方法,通过实测信号的分析,证明了方法的有效性。(3)针对滚动轴承早期故障特征微弱,表征故障特征的冲击成分往往淹没在噪声中的问题,分析了VMD同MCKD、AR模型及关联维数结合的必要性,并提出了基于MCKD和VMD关联维数的AR模型的故障特征提取方法。该方法首先采用MCKD对滚动轴承早期故障信号进行降噪,以突显信号的信噪比。然后对VMD分解所得敏感IMF分量重构后信号建立AR模型。最后计算AR模型自回归参数序列的关联维数,实现滚动轴承早期故障特征的提取。通过对实验室信号和实测信号的分析,证明了所提方法的有效性。(4)针对单一特征无法全面反映滚动轴承故障特征信息的问题,提出一种基于VMD多特征融合和LS-SVM的故障诊断方法。通过计算VMD分解所得各敏感IMF分量的能量熵、奇异值熵、功率谱熵和排列熵,以揭示滚动轴承振动信号在时-频域不同尺度的特性,将上述参数组成高维多特征状态特征向量,输入LS-SVM分类器中,以实现滚动轴承的故障诊断。通过对不同故障类型和同损伤程度信号的分析,验证了所提方法的有效性。对比集合经验模态分解(EEMD)方法的诊断结果,表明了所提方法具有更好的故障特征提取能力。