带式输送机作为散料运输的主要装置,被广泛运用于矿山、冶金、港口等工业领域,具有输送能力强、结构简单、成本低廉和通用性好等优点。随着工业化进程的不断推进和科学技术的快速发展,长距离、大运量、高带速等大型带式输送机已成为发展的主要方向。但是由于带式输送机运行工况通常较为恶劣,重载、疲劳、腐蚀、高温等因素使其核心零部件不可避免地发生不同程度的故障。零部件中滚筒轴承作为主要支撑部件,其健康程度严重影响设备的运行状态和运行效率。相对于其他零部件而言,轴承封闭的结构往往很难判断其健康状态。故障一旦发生必将影响整个生产作业,甚至导致生产瘫痪,造成不可弥补的经济损失。因此,开展基于振动信号的轴承故障诊断研究具有重要意义。本文以带式输送机滚筒的主要支撑部件轴承为研究对象,通过对轴承振动信号自身特点以及运行工况中存在的噪声干扰和转速变化等问题开展研究,形成基于振动信号的轴承故障诊断技术,为保证轴承以及带式输送机的安全运行提供理论支撑和技术解决方案。主要内容包括:（1）针对轴承的具体机械机构和工作方式,探究轴承故障自身的振动信号特点以及实际运行工况对振动信号的影响方式。分析基于振动信号的带式输送机滚筒轴承故障诊断中需要解决的问题以及问题的难点所在。同时对样本数据的来源、采集方式以及轴承故障模拟实验台的搭建做了详细的介绍。（2）针对轴承振动信号中存在的噪声干扰问题,从频谱的角度提出了一种基于频带特征的轴承故障特征频率提取算法。首先通过构建Hankel矩阵拆解时域信号,获得信号中噪声的多样性表达。然后使用频谱融合的方法重构频谱,有效消除了背景噪声的随机特性,减少了噪声对频谱中共振频带的干扰。同时在频谱重构中引入PSO算法,以频谱幅值的标准差为适应度函数,优化Hankel中的延迟参数和嵌入维数,获得最优时域信号拆分矩阵,提高对样本内噪声随机特性的利用程度。最后利用MOMEDA算法,通过设计最优滤波器和对指定频率区间频率构建峭度谱图,有效提取边频带中包含的周期性故障成分,实现对轴承故障特征频率的准确提取。（3）针对单一故障频率特征指标无法区分故障程度的问题,提出了一种基于分步式VMD和多特征的轴承故障程度诊断算法。首先为了解决不同信号分量在VMD分解时无法统一分解参数的问题,提出了一种改进的分步式VMD算法。该方法采用单分量、欠分解的分解方式,逐次提取信号中的共振频带,有效避免了不同信号在特定分解参数下存在的分解效果不佳的问题。然后提出了一种基于片段标准差的初始化方式,通过滑移截取片段并计算标准差值有效预估中心频率位置,提高了中心频率位置搜索结果的稳定性。最终通过从信号分量中多角度提取基础特征并构建故障识别神经网络,建立多特征与轴承类别标签的映射关系,有效实现对不同程度轴承故障的精确诊断。（4）针对VMD分解参数选择困难和特征提取过程复杂的问题,基于VMD分量中心频率位置特征开展研究,提出了一种完备中心频率特征矩阵构建方法。首先通过研究不同的分量数量和边带约束大小对信号分解的影响,设置合适的完备信号分解参数组合。然后基于分解参数组合,依次对原始信号进行VMD分解,提取每次分解中各个信号分量的中心频率特征向量。并将得到的每一组中心频率位置结果重新组合,搭建一个完备中心频率特征向量。该方法有效避免了VMD分解参数差异对信号分解效果的影响,同时进一步提高了中心频率位置分布特征的完备性。最终通过神经网络构建完备中心频率特征与类别标签之间的映射关系,实现对不同轴承故障程度的有效诊断。（5）针对不同轴承转速下相同故障特征差异较大,无法实现多转速下的轴承故障诊断的问题,提出了一种基于图像特征和CNN的轴承故障诊断算法。首先通过对不同转速下的信号频谱进行分析研究,提出了一种基于VMD的图像特征提取方法。该方法通过VMD单分量搜索提取信号中幅值最为突出的共振频带分量,并基于该分量的中心频率从原始信号中截取特征图像。该方法既有效提取了信号的敏感频带,又避免了VMD分量重构中的边频细节丢失问题。最后将提取到的不同转速下的图像特征标记相同的类别标签,通过构建深度卷积神经网络和样本训练,实现网络参数的优化、内部特征的进一步提取和信号与标签之间映射关系的精准构建,最终实现不同转速下的轴承故障诊断。文章最后对论文的工作进行了总结,并对相关的研究技术进行了展望。该论文有图87幅,表10张,参考文献170篇。