转子系统作为汽轮机、航空发动机、水轮机、风机和离心压缩机等旋转机械的核心部件,在设备的高速旋转中发挥着十分重要的作用。随着对机械设备速度和效率的要求越来越高,转、静子之间的间隙也开始变得越来越小,使得碰摩故障发生的概率不断增大。转子系统碰摩故障轻则影响设备寿命,重则导致重大的安全生产事故。为了为避免碰摩故障带来的各种隐患,本文以不同程度的碰摩故障振动信号为研究对象,提出了一种基于优化变分模态分解与支持向量机模型相结合的转子碰摩故障程度诊断方法。转子碰摩程度的诊断研究重点是在非线性、非平稳的故障振动信号中提取出敏感的故障特征,因此选用一种新的自适应信号分解方法变分模态分解(VMD)对故障信号进行特征提取。首先详细介绍了VMD算法的基本原理及步骤,针对VMD算法模态个数K和惩罚因子?两个重要参数对信号分解影响较大,且需人为设定的问题,采用粒子群优化算法(PSO)进行优化,并以包络熵作为适应度函数,确定VMD的最优参数。通过VMD方法对实验数据处理分析,并与集合经验模态分解(EEMD)进行对比分析,结果表明VMD方法能更有效、更准确的分解信号。碰摩故障的样本数据属于小样本,因此采用支持向量机(SVM)作为模式识别的分类模型。对于小样本数据,以径向基函数为核函数的SVM分类模型具有更高的准确率,但针对其核函数中惩罚因子C和核函数参数?的选取问题,采用PSO优化算法对其进行优化,确定最优参数,以提高故障诊断识别的精度。最后设计了三组不同状态下的转子碰摩程度实验,一是在油膜力的条件下产生不同程度的碰摩;二是改变不同的偏心质量产生不同程度的碰摩;三是在偏心质量不变的条件下产生不同程度的碰摩。通过分析三种状态下的振动信号,验证了基于PSO优化VMD和SVM参数的故障诊断识别模型的有效性和可行性,且具有较高的诊断精度。