开展船舶推进轴系轴承早期故障诊断技术的研究,是对船舶推进轴系进行健康状况评估的重要环节。轴承作为船舶推进轴系重要的组成构件,轴承的健康状态直接决定着船舶推进轴系能否平稳运转。船舶推进轴系一般在复杂工况下运行,轴承早期故障信号极易受到强背景噪声和其他干扰信号的干扰,故障特征难以被精确提取。本文针对复杂工况下船舶推进轴系关键零部件—轴承早期故障特征难以准确提取的问题,将船舶推进轴系轴承作为主要研究对象,从轴承振动信号处理入手,开展了以下研究:首先,详细阐述了国内外轴承故障诊断技术的研究现状。分析了滚动轴承的结构、常见故障以及轴承的失效过程,并通过剖析轴承滚动体、内外圈、保持架的故障模式和对应的故障特征频率掌握了滚动轴承的振动机理。在此基础上,通过Solidworks构建健康滚动轴承模型和故障滚动轴承模型,同时在hypermesh中对建立的轴承模型进行网格划分,并将结果输入到ANSYS/LS-DYNA模块中,对滚动轴承进行显示动力学分析,揭示滚动轴承的振动响应特性。其次,详细阐述变分模态分解的基本原理。同时,介绍灰狼优化算法、鲸鱼优化算法以及粒子群优化算法的基本原理,并对比分析三种优化算法的性能,为本文解决VMD参数难以预先选取的问题提供理论支持。最后,针对VMD的关键参数（模态数目K和惩罚因子α）难以预先确定的问题,提出采用灰狼算法（GWO）优化变分模态分解的参数组合。经过深入研究发现传统GWO算法是采用全局寻优与局部寻优相结合的方式来获取最优值。而在GWO算法中,全局寻优与局部寻优两者之间缺乏一个合理的平衡点,导致GWO可能出现早熟收敛。因此本文提出融合“收敛因子”对灰狼算法做出改进,改进后的GWO即为IGWO,并成功运用到VMD的参数优化中。采用IGWO-VMD分析两组滚动轴承实测数据,并基于峭度最大准则提取最优模态,同时对选中的模态进行包络谱分析,实现轴承的早期故障特征提取。最后,与EMD、GWO-VMD的对比试验结果验证了IGWO-VMD在滚动轴承早期故障诊断方面的优越性。