旋转机械作为现代工业社会动力传动系统的关键设备,被广泛地应用于各个领域,其失效不但会导致重大经济损失,严重的话可能带来人员的伤亡,因而旋转机械状态监控与可靠性越来越得到人们的高度重视。采集有效的旋转机械信号参数是对其进行故障诊断的一个关键环节,常用参数包括温度、位移、加速度、应力、声波等。振动信号是最为常见的一种机械健康检测手段,其信号变化能够直接反映机械设备的健康运转状况,但是由于旋转机械采集的振动信号一般具有多分量、非平稳性、随机性等特征,因而在机械故障诊断时会增加信号分解与故障特征提取的难度,基于此,本论文针对性的开展如下相关研究:本文选取旋转机械的关键传动部件-滚动轴承与齿轮为实验对象,首先根据实验对象不同故障类型产生的原因与振动机理,总结得到了相对应的振动信号特征。然后,基于自适应信号处理方法在对非稳态非线性信号处理时具有独特的优势,介绍了常见的自适应信号处理方法如经验模态分解(EMD)、集合经验模态分解(EEMD)、局部均值分解(LMD)以及变分模态分解(VMD),并系统地分析了上述自适应信号处理方法的优缺点,特别是针对最近提出的VMD在信号处理过程中的性能和特点做了深入的分析和研究,发现该算法具有更出色的信号分解能力,且具有更好的噪声鲁棒性。其次,针对在实际应用VMD算法中的IMF分量个数和二次惩罚因子选取的问题,提出了一种结合粒子群优化和VMD实现参数自适应的信号分解方法,该方法可以根据信号特征自适应的选取IMF分量个数与二次惩罚因子,具体步骤为:(1)选取峭度系数与互相关系数构造加权峭度系数;(2)将加权峭度系数作为粒子群优化算法寻优的适应度函数,并以最大加权峭度系数为优化目标对VMD方法的参数进行自适应选取;(3)利用获取的最优参数组合对VMD方法进行设定,从而获取一系列的本征模态函数(IMF);(4)根据最大加权峭度系数选择有效的IMF分量进行包络分析,提取出有效的故障特征信息,以此作为故障诊断的依据。最后,利用所提方法分析多个具有代表性的数值仿真信号、以及滚动轴承和行星齿轮箱的故障振动信号,并与其他信号处理得到的结果对比,验证该方法可以有效地进行信号分解与故障特征提取。