齿轮是旋转机械设备中重要组成部分之一,工作环境恶劣,极易产生故障,致使整个设备停止工作,造成经济损失与安全隐患。目前,在及时判断齿轮故障的位置和准确预测出故障类型方面还有待提高。因此,本文以齿轮为研究对象,从处理采集信号、故障特征提取和状态分类识别三个方面进行齿轮故障诊断研究,提出了参数优化变分模态分解(VMD)和随机森林相结合的齿轮故障诊断方法,试图解决提取齿轮微弱特征信息困难以及多分类精度问题。采用人工蜂群算法(ABC)优化VMD算法处理齿轮振动信号,得到所有的模态分量,结合包络谱分析,提取齿轮特征信息,判断故障位置;计算各模态分量的能量熵构造特征向量,输入随机森林分类器进行训练并预测分类,判断齿轮故障类型。针对齿轮故障的非线性、非稳定性特点,经验模态分解方法和集合经验模态分解方法存在的模态混叠、端点效应、缺乏理论基础等问题,将变分模态分解算法应用于旋转机械故障诊断领域。变分模态分解采用非递归模式分解信号,结合包络谱分析,对仿真信号以及实测数据进行处理,验证该算法可以有效提取到信号的特征频率。深入研究了变分模态分解的算法原理,详细分析了算法中分解层数和惩罚因子两个参数对信号分解效果的影响,针对两个参数组合选取的问题,提出一种运用人工蜂群算法优化变分模态分解参数的方法。以最小包络熵值为优化的最终目标,采用人工蜂群算法对参数进行自适应选择,避免了粒子群优化算法(PSO)易陷入局部最优的缺陷。通过仿真信号与实测信号,分别采用ABC-VMD和PSO-VMD处理,结合包络谱,提取最佳分量,结果表明,基于人工蜂群优化变分模态分解的算法提取到的特征频率幅值显著提高,有效实现齿轮状态的初步诊断。针对单个分类器在故障诊断中准确率低的问题,传统的支持向量机通过构造复杂函数或将多个二分类SVM构造成多分类SVM来处理多分类问题,参数设置困难且分类精度低。采用随机森林(RF)分类器,集成多种特征,提高分类精度,通过实验对比,验证了VMD-RF具有更高的识别率。