提出一种基于自适应变分模态分解（Variational Mode Decomposition，VMD）与广义回归神经网络（Generalized Regression Neural Network，GRNN）的故障诊断方法，有效解决转子系统振动信号特征提取与复合故障模式识别的问题。首先通过VMD将采集到的原始信号自适应分解为一系列的内涵模态分量（Intrinsic Mode Functions，IMF），然后根据相关系数-峭度准则选取IMF 分量进行信号重构。最后获取重构信号的精细复合多尺度散布熵（Refined Composite Multiscale Dispersion Entropy，RCMDE）、均方根以及重心频率构成特征向量集，输入到GRNN神经网络进行训练和故障模式识别。数值仿真与故障模拟实验结果表明：采用基于自适应VMD与GRNN神经网络的方法可有效识别转子系统中的多故障模式。

滚动轴承在运行过程中发生塑性变形、产生裂纹等形式故障时都会产生蕴含状态特征信息的声发射信号。针对滚动轴承声发射信号特征提取和故障诊断，提出一种基于改进自适应噪声完备经验模态分解（Improved completeensemble empirical mode decomposition with adaptive noise，ICEEMDAN）的特征提取算法，结合经网格搜索优化（GridSearch, GS）的支持向量机（Support vector machine，SVM）分类算法，实现对滚动轴承故障的模式识别。首先将滚动轴承典型状态原始声发射信号进行分解得到若干个固有模态函数（Intrinsic mode function，IMF）分量，筛选其中峭度较大的分量进行重构，然后计算重构IMF分量的时域能量熵值构造特征向量集合，最后再将特征向量集合输入到基于GS优化的SVM分类器模型中进行训练和模式识别，并将采用该方法所构建模型与其它分类器模型进行准确率和效率比较。模型仿真和故障模拟实验研究表明：基于将ICEEMDAN时域能量熵和GS-SVM相结合的模型可以有效提取滚动轴承声发射信号的故障特征并进行准确地模式识别。

曲轴轴系是往复机械传动系统的重要组件之一，其工作状态对整套机械设备的正常工作和使用具有直接的影响。研究针对振动信号分析的曲轴轴系的损伤模式识别问题，提出一种基于Hilbert 包络功率谱熵和支持向量机相结合的往复机械曲轴轴系损伤识别方法。基于曲轴轴系损伤机理展开研究，分析曲轴轴系发生故障振动的原因，建立典型的机械故障动力学模型，并通过构建故障模拟与振动测试系统获取曲轴实时振动信号；基于CEEMDAN方法对信号进行分解，选取峭度较大的本征模式分量进行Hilbert 包络解调分析获取包络矩阵，计算信号的瞬时包络功率谱熵，可以明显看出曲轴轴系故障表征；最后进一步用SVM完成模式识别。数值模拟与实验结果验证了方法的有效性。该方法对往复机械曲轴轴系早期故障模式的识别具有较好的参考意义。

往复机械振动信号非常复杂，通常存在较强的非平稳、非线性特征，使得对其进行振动信号分析、故障识别存在困难。对此提出一种基于改进的总体经验模态分解（CEEMDAN）与奇异值结合的故障特征识别方法，对原始信号进行CEEMDAN分解，得到本征模式函数的奇异值，将得到的奇异值作为特征向量输入支持向量机进行特征分类，从而实现故障模式的识别。通过对实验室模拟故障与往复泵动力端故障模式识别实例分析来论证方法有效性。研究结果表明，该方法适用于提取往复机械振动信号冲击特征和多故障模式识别。