在大部分的机电旋转设备中,轴承是一种常用的旋转部件,应用最为广泛。机电旋转设备中的主要负荷都是通过轴承来承受和传递的,而且轴承比其他机械设备或者部件的工作环境恶劣的多,因此机电旋转设备中滚动轴承最易受损。滚动轴承故障的早期诊断可有效预避免发生严重事故,具有重要的经济价值和现实意义。本文以滚动轴承作为研究对象,对轴承故障诊断问题进行了一系列的研究工作。主要内容如下:首先,为了突破小波分解方法中小波基和分解层数选取的限制,克服经验模态分解(empirical mode decomposition,EMD)方法中的端点效应,虚假分量的缺陷,实现从含有微弱故障信息的轴承振动信号中提取出能够表征故障特征的有效信息,本文提出了利用匹配追踪算法优化变分模态分解的方法,对轴承振动信号进行有效的分解。文章先通过构建仿真信号分析了变分模态分解(variational mode decomposition,VMD)方法对滚动轴承振动信号的分解效果,仿真结果表明,对于滚动轴承振动信号这一类的非平稳信号,变分模态分解算法能很好的完成频率分解,克服端点效应问题和虚假分量问题。然后通过匹配追踪算法对变分模态分解进行优化,对实测轴承振动信号进行分解,分解结果分析可得出,优化后的分解方法大大提高了对轴承振动信号的分解效果。其次,在滚动轴承振动信号这一类的非平稳信号中,一些特征参数会和故障类型,故障程度形成某种一一对应的关系,用这些特征参数可以来表征故障类型或者故障程度,如何直接提取出这些参数是故障诊断的关键所在。平均值可以反应滚动轴承振动信号这类非平稳信号的总体趋势和信赖度;多尺度熵则可以分析振动信号这类多尺度数据的复杂性。基于平均值和多尺度熵这两个参数的特点本文提出了一种基于变分模态分解的多尺度熵均偏差值特征提取方法,该方法的特征参数值可以实现与轴承故障类型一一对应,具有实用性强和可靠性高的优点。最后,利用本文前面提取出的故障特征参数完成故障类型的识别。传统的BP神经网络算法存在网络收敛速度慢,结果不稳定等缺陷,这是由于传统的BP神经网络算法的初始权值和初始阈值是随机方式产生的。粒子群算法存在参数选择,早熟收敛,稳定性等问题。结合以上问题,本文利用改进的粒子群算法对BP神经网络的初始权值和初始阈值进行优化,以变分模态分解多尺度熵平均偏差作为网络输入进行分类测试,完成轴承故障的诊断。