采矿设备种类繁多,包含矿石资源开采过程中用到的所有机械设备,由于实际开采环境恶劣,机械传动系统中的轴承容易发生故障。任何一台采矿设备由轴承引发的故障停机都会造成整个开采工作的停滞,产生巨大的经济损失。因此为及时有效诊断出轴承的早期故障,本文研究了一种基于优化变分模态分解的轴承故障诊断方法,该方法能够通过轴承振动信号的微小差异,准确判断出轴承的实际故障类型。研究内容主要包括以下几个方面:(1)提出一种可行的变分模态分解预设分解数选取方法。基于对变分模态分解的理解,从能量角度考量,客观的选取变分模态分解预设分解数,能够避免传统预设分解数选取的主观性和盲目性,经过仿真测试,优化分解数的变分模态分解有更稳定的处理效果。将其应用于轴承振动信号处理,能够有效剔除轴承信号中大量干扰信息,突出不同故障下振动信号的差异。(2)通过多种信号度量算法,建立轴承振动信号特征组。结合三种时域参数指标和三种熵角度指标,既能有效表征振动信号的特征,又能直观体现信号的复杂性。通过模糊聚类分析,小样本特征无法准确识别轴承信号样本所有故障类别,需用多角度的特征组来避免单一特征与故障类别匹配的绝对化,进而提高轴承故障诊断效果的精准度。(3)针对轴承振动信号特征组,采用优化变分模态分解和GA-SVM的轴承故障诊断方法。支持向量机适用于小样本、非线性数据的处理,能够准确的将轴承振动信号特征组按故障类别合理分类。通过遗传算法能够自适应搜寻到支持向量机的最优参数,进一步提高支持向量机的分类效果。通过美国凯斯西储大学的轴承试验台数据进行仿真验证,结合对照组验证表明,该方法能够在较短的时间内,达到98%的轴承故障诊断精度,证明该方法在轴承故障诊断领域具有一定的可行性和应用价值。图26幅,表10个,参考文献73篇。