随着交通运输业的不断发展,轨道交通车辆、大型工程车辆等载运工具的集成度和复杂度显著提升。载运工具中任何零部件出现问题,都可能影响机械系统的正常运行。轴承和齿轮等旋转部件作为其中转化运动和传递功率的关键零部件,易出现疲劳损伤,降低系统运行稳定性,导致故障的发生,甚至出现严重的安全事故。因此,开展高效智能的旋转部件状态监测与故障诊断技术研究,对保障轨道车辆、工程车辆等安全运行具有极其重要的意义。本文以准确可靠识别关键旋转部件的故障类型为研究目标,着眼于改进变分模式分解（Variational Mode Decomposition,VMD）方法在提取旋转部件故障瞬态成分、提升其故障诊断效果和适用性的应用研究。针对强噪声背景下难以从非平稳、非线性的振动信号中提取故障特征,以及现阶段基于VMD方法参数设置的问题,研究有效的参数自适应变分模式分解方法,并成功应用于旋转部件故障诊断中。论文主要内容包括:（1）包络负熵谱信息引导的自适应变分模式分解方法。在分析VMD理论基础上,为实现故障瞬态分量直接提取,解决VMD改进方法同时优化多参数效率低的问题,提出包络负熵谱（Envelope Negentropy Spectrum,ENS）信息引导的自适应变分模式分解方法。基于信号的时频表示（Time-Frequency Representation,TFR）,提出ENS概念并将其尖峰频率作为故障模式的初始中心频率（Initial Center Frequency,ICF）,实现故障信息快速、准确定位;引入峭度准则的带宽优化策略,优化故障模式带宽,丰富故障信息,准确判断故障类型。通过对仿真和实验信号的分析,证明所提方法能以较高精度和效率提取出故障特征频率,增强旋转部件故障诊断的可靠性。（2）变分模型驱动的特征频率下自适应分解方法。针对现阶段VMD改进方法引入额外经验参数、稳定性不足的问题,提出变分模型驱动的特征频率下自适应分解方法。首先,分析了VMD方法在不同范数约束条件下的收敛性,考虑到VMD方法优化过程中的收敛趋势（Convergence Tendency,CT）现象,构建了基于变分模型收敛趋势的频谱特征信息扫描器,进而获取信号中各模式分量的特征频率;考虑到频谱特征信息扫描器效果与带宽平衡参数有关,提出二分法的带宽平衡参数优化策略,确保特征频率准确定位;接着,为保证信号分离完备性,将L1范数重构项引入变分模型,在定位的特征频率下,一次性分离所有模式分量。结合敏感指数,准确提取故障特征,实现故障诊断。仿真和实验结果验证了所提方法在特征频率定位和模式分离方面的稳定性与优越性,在旋转部件微弱故障诊断中取得了优异的应用效果。（3）变分模型驱动的边界参数下自适应分解方法。考虑到构造的变分模型收敛趋势驱动的频谱特征扫描器还可以获得的边界参数,提出变分模型驱动的边界参数下自适应分解方法。首先,基于二分法的带宽平衡参数优化策略,构建频谱特征信息扫描器,快速准确获取各模式分量的边界参数,以此实现信号在频带内的自适应划分;接着,以频带划分结果为基础构造小波滤波器组,建立新的信号自适应分解方法,实现对各成分的有效分离;进一步结合敏感指数,实现故障特征分量的提取。相较于其他传统方法,所提方法能有效避免VMD改进方法引入额外参数,稳定性更强,其精确识别旋转部件故障特征信息的能力也得到了仿真与实验信号的验证。综上,本文以准确辨识旋转部件微弱故障的研究目标为出发点,针对VMD及其改进方法存在的问题,通过研究变分模式分解特性,提出了参数自适应变分模式分解的特征提取方法。所提方法摆脱了VMD及其改进方法对参数的依赖性,提高了故障瞬态成分提取的精度和效率,对轴承、齿轮等关键旋转部件故障诊断有一定的理论指导和工程应用价值。