轴承是机械设备的基础零部件，其质量对机械精度和性能有着重要影响，轴承品质评估作为轴承生产的关键环节，对提高轴承合格率具有举足轻重的作用。目前，我国轴承生产企业主要采用人工抽检方法对轴承品质进行检测评估，此方法效率低、检测精度差且可靠性无法保证。为此，本文提出了基于变分模态分解（VMD）和集成学习的滚动轴承品质评估方法用于轴承品质的智能化评估，为轴承品质的实时在线及全品检测提供方法参考。
　　滚动轴承作为高度“标准化、系列化、通用化”机械产品，其品质的评估对整个作业机械至关重要。本文在综合分析轴承检测技术的国内外研究现状及轴承品质特征提取方法的基础上，得出通过振动信号来评估滚动轴承品质是当前的主要方法。因此在分析滚动轴承结构的基础上，详细阐述了滚动轴承的振动机理及滚动轴承振动信号采集的方法。
　　针对滚动轴承品质特征难以确定的问题，本文提出基于VMD方法结合排列熵的滚动轴承品质特征提取方法。通过将VMD方法与传统的经验模态分解（EMD）方法相比较，结果表明VMD方法在信号分离、抗混叠和抗虚假方面优于EMD。因此利用VMD方法对优等品、一等品和合格品三类品质的滚动轴承振动信号进行分解，对得到的有限带宽模态函数（BIMF）进行排列熵值计算，提取滚动轴承品质的排列熵特征。将排列熵特征结合轴承时域特征利用网格优化算法的支持向量机（SVM）算法进行轴承品质的识别评估，正确识别率达到93.33%，结果表明VMD方法结合排列熵算法可以有效提取滚动轴承的品质特征。
　　针对VMD算法参数需要依据多次试验结果或根据经验设定的不足，提出了利用粒子群优化算法（PSO）对VMD算法参数进行优化方法。利用PSO算法以变分后的BIMF函数与原信号的相关系数为适应度函数对VMD算法中分量个数K和二次惩罚项?进行优化。对优化结果进行频率分析，表明PSO算法可以实现VMD算法的参数优化。为进一步提取滚动轴承品质特征，对经VMD算法分解后的振动信号进行信号重构，计算其多尺度排列熵特征，最后将多尺度排列熵特征结合时域特征利用SVM方法进行识别，正确识别率达到95.00%，结果表明多尺度排列熵特征可以做为更有效的轴承品质评估特征。
　　针对传统模式识别方法在滚动轴承品质评估中正确识别率较低的问题，开展了基于集成学习方法的轴承品质评估方法。利用AdaBoost和Bagging两种集成策略分别以朴素贝叶斯法、SVM、线性判别法和决策树法为弱分类器对滚动轴承的多尺度排列熵和时域参数特征进行集成学习。对4种弱分类器的集成结果进行分析比较，结果表明AdaBoost和Bagging方法可以有效提高弱分类器的分类识别精度，在4种弱分类器中AdaBoost和Bagging结合决策树法实现了轴承品质的高精度评估，训练集模型识别率都达到100%， AdaBoost方法预测集识别率为96.67%， Bagging方法预测集识别率为98.33%。因此可知利用Bagging算法结合决策树算法可以实现滚动轴承品质的高精度评估。