电机作为一种被广泛使用的旋转机械,已经成为工业生产和人们生活中不可缺少的电气设备。滚动轴承作为电机的重要组成部分,运行过程中一旦发生故障,将会影响电机正常工作,造成严重的经济损失,严重时会危及人身安全。因此,开展电机轴承故障诊断方法的研究,能够及时准确的发现故障,避免人员伤亡和经济损失,具有重要的理论意义和应用价值。传统信号分析方法在解决故障诊断问题时,存在缺乏自适应分解能力,依靠人为设置参数,模态混叠等问题,一定程度上影响故障诊断效果。变分模态分解(VMD)是一种全新的自适应信号分析方法,该方法能够自适应地实现信号的频域剖分及各分量的有效分离,具有牢固的数学理论基础,表现出良好的噪声鲁棒性。本文以电机轴承为研究对象,针对VMD需预置模态个数的问题,分别提出多阈值中心频率法和峭度均值法,用来确定VMD模态个数,结合信号功率谱,进而提出一种故障诊断方法。信号经VMD分解得到本征模态函数(IMF)分量,通过求解IMF分量的信号功率谱提取故障特征频率,采用故障特征频率识别的方法确定故障类型。当振动信号中包含强干扰信号时,针对上述方法无法提取故障特征频率的问题,引入能够准确表征故障信号的能量随频率变化的能量熵和具有计算量小、收敛速度快、对非线性问题具有较好分类能力的概率神经网络(PNN),提出一种基于多阈值中心频率法VMD能量熵和PNN的电机轴承故障诊断方法。首先通过多阈值中心频率法确定VMD模态个数,然后对信号进行VMD分解,得到IMF分量,通过求解IMF分量的能量熵构造高维特征矩阵,最后将其输入到PNN,根据输出概率的最大值确定故障类型。搭建实验平台,通过实际采集得到的振动数据,对提出的方法进行有效性验证。实验结果表明,该方法能够准确识别故障类型,证明了方法的有效性。