滚动轴承是装备制造业中关键基础零部件,其在服役过程中的工作状态直接决定着主机产品的性能、质量和可靠性。滚动轴承运行中所采集的信号具有非线性、非平稳以及与外部环境强背景、强噪声成分动态耦合的特点,这些包含原始系统丰富动力学信息以及机器健康状况特征信息的复杂响应信号是滚动轴承健康状态判断和故障类型识别的依据,又因其复杂性带来严峻挑战。近年来,各种模式分解方法成为轴承故障诊断的研究热点,模式分解算法能够适应复杂信号的各种形态,有效地分离出旋转机械信号中的各种模式。动力学模式分解理论作为一种基于数据驱动的模式分解技术,能够精确提取复杂动态系统的时空特征,近年来被广泛应用于流体领域中时间序列状态评估、特征提取、趋势预测以及系统控制等方面。本文研究如何利用并改进动力学模式分解理论,有效提取滚动轴承振动信号的故障特征,对设备进行故障诊断及状态识别,为复杂机械故障信号分析引入一种新的诊断理论体系。论文所做的主要工作如下:(1)对动力学模式分解理论进行了研究,提出了适用于一维机械振动信号的动力学分解方法,通过线性信号和非线性信号验证了动力学模式分解理论提取系统动力学特征的能力。在与机械故障诊断中已有的模式分解方法和降阶算法进行对比研究中,得出了动力学模式分解理论对原始信号模式成分的时频保持率及重构信号重合度方面具有优势的结论。进一步研究发现,动力学模式分解算法虽然适用于机械振动信号的故障特征提取,但是算法在实现过程以及实际应用中还存在噪声敏感、模式分量个数人工选取、有用模式分量缺乏筛选过滤准则、多通道信号缺乏同步耦合表征方法等亟需解决的关键问题。(2)研究发现算法过程中Koopman算子没有有效抑制噪声成分是动力学模式分解方法对噪声敏感的关键原因,进而提出了全局算子和互逆算子两种算子改进方法,通过实验研究表明全局算子改进方法效果更优。(3)针对动力学模式分解算法过程中需要人为设定模式个数的问题,提出了自适应截断秩的动力学模式分解方法,解决了实际应用中关键参数难以人为设定的问题。将动力学模式分解过程中的两个连续环节的改进算法进行结合,提出了基于全局算子的自适应动力学模式分解方法。通过对实测轴承故障信号的实验研究,有效提取出了故障特征信息,验证了改进算法的有效性,且改进算法的分解效果优于其它模式分解和降阶算法的结果。(4)针对动力学模式分解得到系列单频模式仍然包含干扰的稀疏噪声成分,且有用模式成分缺乏选取原则的问题,提出了多尺度排列熵阈值降噪的动力学模式分解方法。基于多尺度近似熵对各模式分量进行复杂度检测,通过阈值法重构原始信号。通过轴承动力学信号仿真试验,确定了适合轴承信号模式分量的多尺度近似熵分解关键参数。多尺度排列熵阈值降噪的动力学模式分解方法对实测轴承信号的特征提取效果更好。(5)针对早期含噪信号难以提取弱故障模式分量的问题,提出了多分辨率的动力学模式分解方法。采用多分辨率的递归分层理论,将原始信号在不同层级中用不同分辨率(采样频率)进行动力学模式分解,得到反映原始系统动力学特征的多组低秩模式和稀疏模式,将含有轴承故障特征的模式进行重构。基于早期轴承故障信号的实验研究表明多分辨率的动力学模式分解方法能够加强表征早期故障信号中的故障特征。将多尺度排列熵的模式选取方法同多分辨率动力学模式分解方法相结合,提出了多分辨率多尺度动力学模式分解方法。用粗粒化均值处理取代不同层级信号矩阵的稀疏采样,用多尺度熵阈值取代低秩模式与稀疏模式划分时使用的二分法。实验研究表明多分辨率多尺度动力学模式分解方法对早期故障信号的故障特征提取效果更优。(6)针对多通道一维信号缺乏耦合分解方法的问题,提出了多元动力学模式分解方法。将原始多通道信号通过增加空间维度形成三阶张量,经高阶奇异值分解后对基矩阵进行全局算子的自适应动力学模式分解,进而更新核函数并重构恢复出降噪张量。多元动力学模式分解方法解决了高阶奇异值分解过程中基矩阵截断秩人工选取问题,实验研究表明该方法能够同步、有效提取出各通道信号的动力学特征。(7)针对信号处理中由于轴承尺寸误差、安装误差、传感器采集误差、噪声污染等原因使得动力学模式分解得到的轴承信号故障频率值与理论计算值之间存在偏差,影响人工找频的工程实际问题,提出了基于改进动力学模式分解理论的轴承故障模式识别方法。将多分辨率多尺度下的稀疏模式和低秩模式的多尺度排列熵值作为特征参量,选择BP神经网络作为分类器,实现对轴承早期故障的模式识别。开展了基于两个轴承公共数据集的实验研究,验证了上述模式识别方法的有效性和准确性。