减速机作为炼铁、炼钢及轧钢三大冶金生产过程中的关重设备,由于其服役在高温、多粉尘恶劣环境中,且频繁启停、加减速及工作负载多变,其内部的齿轮、轴承等关键部件极易受损诱发故障,减速机甚至整条生产线也将因此出现停产的情况,间接导致的经济损失甚至安全生产事故不可估量。因此,对减速机的齿轮、轴承等关键部件采取行之有效的监测方法以及早期故障的预判对保障“炼铁-炼钢-钢轧”生产过程的安全、高效运行,具有重要的意义。能否提取到“铁-钢-轧”冶炼过程中减速机的齿轮、滚动轴承等关键部件振动信号的有效信息是其状态监测的难点和关键点,其决定了后续状态辨识与诊断的精准性。对此,基于变分模态分解(Variational Mode Decomposition,VMD)理论,并结合能量熵、排列熵与SVM等方法对其进分析,具体内容如下:1)基于VMD的减速机关键部件振动信号特征提取应用分析。针对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)易陷入模态混叠、端点效应等,将VMD用于减速机关键部件滚动轴承、齿轮的振动信号特征有效提取。2)基于SVM的减速机关键部件状态辨识模型研究。针对减速机工况复杂、多变,强背景噪声等干扰,其关键部件的故障特征频率极易被淹没,导致后续模型识别精度低。对此,将测取的振动信号通过VMD进行分解,计算其各分量的排列熵与能量熵的熵值,并以此来建立高质量的特征向量集;其次,将上述部分特征向量集作为训练样本,通过SVM算法的学习构建冶金减速机滚动轴承、齿轮两大关键部件的状态辨识模型。最后,利用实验室的振动数据以及包钢集团线材厂大型减速机所测取的振动数据进行验证。结果证实:该方法能够有效地诊断故障并获得其位置和类型,说明其有效性和实用性。