轴承作为旋转机械设备的关键部件,一旦发生故障会使得机械设备振动受到干扰,导致信号不稳定,严重时还会产生重大事故。随着机械设备规模及结构复杂程度的增加,机械设备的维护工作也变得越来越繁重和复杂,出现故障的种类和数量也越来越多。在实际生产中复杂机械系统的轴承出现故障时,振动信号常常表现为非平稳和非线性,并且掺杂大量噪声的特点,能否准确提取出这些特征信号是我们进行轴承故障诊断的关键,因此对轴承振动信号的分析已经逐渐成为人们研究和关注的焦点。轴承故障信号特征提取作为故障诊断过程中的重点,致使提取特征时的每一步都影响着故障分类识别的结果。针对轴承故障数据的特性,同时考虑模态混叠和端点效应,本文采用变分模态分解提取轴承故障特征。并针对VMD的分解尺度K和惩罚因子α的难以选择的特点,提出了GWO优化VMD参数组合和WOA优化VMD参数组合的算法模型。同时针对故障样本少的特点,提出了基于改进变分模态分解和人工免疫算法的轴承故障特征提取与分类识别方法模型(VMD-AIS)。本文的研究内容主要包括以下两部分:(1)故障特征提取:提出了GWO优化VMD参数组合和WOA优化VMD参数组合的算法模型,用于解决VMD的分解尺度K和惩罚因子α难以选择的问题。GWO优化VMD参数组合具有更高的寻优精度,而WOA优化VMD参数组合具有更快的运行时间。在VMD分解的基础上引入无量纲指标,用于解决对信号的幅值和频率变化不敏感而对机械设备故障足够敏感的问题,进而形成VMD与无量纲指标相结合的轴承故障特征提取。(2)故障分类识别:提出了VMD-AIS分类模型,AIS强大的多层诊断机制,使得只需要少量或不需要先验知识,仅部分异常样本就可以解决大量的非线性问题。同时还经常表现出自适应性、识别、记忆和多样性等特点,并呈现出高度并行的自适应信息学习的优势。本文研究方法有效克服了轴承故障振动信号非平稳、非线性强噪声等特性带来的问题。通过对轴承振动信号的实验验证分析,本文研究方法不仅通过VMD实现了轴承振动信号中有效信息的提取,而且通过AIS解决了故障数据的非平衡问题。通过仿真和实测轴承数据的实验验证可知,VMD-AIS模型具有减少时间成本,提高故障诊断精度,克服噪声干扰等优势。