旋转机械作为机械设备故障的主要类型之一,其故障信号检测对机械设备状态的监测具有重要意义。本文针对强噪声下滚动轴承故障信号难以检测的问题,采用基于时延随机共振和变分模态分解的方法,对故障信号进行降噪处理和特征提取,并用粒子群优化的最小二乘支持向量机对故障信号的类型进行模式识别。具体内容如下:本文研究了一般多稳态随机共振模型的郎之万方程,推导了带有时延项的福克-普朗克方程,并使用四阶龙格-库塔方程对随机共振模型进行数值求解。针对绝热近似理论对高频信号限制的问题,采用了变尺度随机共振方法,并通过仿真信号验证了随机共振系统对高频微弱信号特征提取的有效性,为处理实际故障信号提供了基础。提出了一种基于高斯白噪声诱导的时延反馈多稳态随机共振模型,分析了各参数对模型的影响。通过与一般多稳随机共振模型进行对比,得到时延反馈多稳随机共振模型对实际故障信号的降噪效果更加显著的结果。针对时延反馈多稳随机共振模型的不足,提出了一种基于一次项时延的多稳态随机共振模型,并对该模型的时延福克-普朗克方程和平均首次穿越时间进行了推导,对比了各参数对这两个模型的影响结果。通过比较仿真信号和实际故障信号在不同模型中的特征提取的结果来验证该模型的可行性和优越性。针对强噪声背景下微弱故障信号难提取的问题,提出了一种基于时延随机共振模型和变分模态分解的特征提取方法。通过与时延随机共振模型和经验模态分解对故障信号特征提取结果的对比,发现变分模态分解更具备提取故障特征的优势。最后选取信号分解后的能量熵做为模式识别的特征输入,用粒子群优化的最小二乘支持向量机方法智能识别出故障信号的类型。