滚动轴承作为旋转机械设备应用非常广泛的关键部件,其运行状态直接关系到整个机械系统;滚动轴承处于变转速与变荷载等这些恶劣工作环境中,极易发生故障。因此研究变转速工况下滚动轴承状态监测与诊断具有重要意义。本课题基于同步压缩变换(Synchrosqueezing Transform,SST)为基础,利用变转速工况下滚动轴承故障信号特点,对SST进行一系列改进,实现不同工况下故障诊断。本课题的主要工作包括:首先,在工业旋转设备运行状态监测的基础上,系统阐述本课题研究的背景和意义。对变转速工况下滚动轴承振动信号分析方法、滚动轴承结构形式、失效类型与振动机理进行全面的论述;并介绍变转速滚动轴承不同部位故障特征系数计算方法。其次,针对SST在窗长选取过程中无法实现最优,选用Rényi熵准则与最大峭度准则两大准则进行寻优,通过实验的方法选择Rényi熵准则。根据升降速工况下滚动轴承振动信号特点,利用最优窗长SST提出时频解调谱方案,解决升降速工况下滚动轴承瞬时故障特征频率(Instantaneous Fault Characteristic Fre quency,IFCF)提取,并与不同故障的IFCF理论值进行对比实现了故障诊断;通过仿真信号与实测数据验证了最优窗长SST可以实现滚动轴承IFCF提取与诊断,验证了方案的有效性。再次,针对无转速计工况时,通过滚动轴承低频振动信号来实现瞬时转频估计,但是信号错综复杂,使得时频谱分辨率低、出现模糊现象,将会直接影响瞬时转频估计精度。据此提出基于变分模态(Variational Mode Decomposition,VMD)-SST的改进瞬时转频估计算法。首先对振动低频信号进行VMD分解降噪,根据相关系数选择分量信号进行重构,其次对重构信号进行SST得到时频谱,最后使用Viterbi算法对时频谱中瞬时转频估计。仿真实验与实测数据验证该方案不仅可以提高SST的抗噪性及时频谱的分辨率,还能提高瞬时转频估计精度。结合第三章提取IFCF算法实现了无转速计工况下滚动轴承故障诊断,具有一定应用价值。最后,针对大波动转速工况下,滚轴承振动信号时频谱在波动处容易出现能量发散,难以提取转折故障特征频率。多重压缩变换可以改变这一状况,但选取压缩次数困难。据此提出基于自适应多重压缩变换的故障特征提取。本章通过引进Rényi熵差分谱,实现自适应多重压缩变换;通过仿真信号验证本章算法在处理强调频信号、多分量交叉干扰信号的优势;并将该方法成功的应用到大波动转速工况中提取滚动轴承故障特征频率。