摘要：针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题,从有效特征提取和故障分类准确性两方面出发,将变分模态分解(VMD)和极限学习机(ELM)方法结合,提出了一种自适应滚动轴承多故障诊断方法。针对VMD参数需人为事先设定导致信号分解效果差的情况,提出了灰狼算法(GWO)优化VMD实现自适应地获取最佳分解参数k和α。进一步,为了克服单个ELM模型分类精度不高和分类结果不稳定的问题,提出集成极限学习机(IELM)实现多故障的分类和识别,提高故障分类的准确性和稳定性。首先,采用GWO优化VMD,自适应地获取最佳分解参数;其次,选择并提取模态信号的时频特征向量;最后,将特征向量输入到IELM中进行训练和分类。实验表明:本文方法可以自适应地分解信号并产生最佳分解效果,实现滚动轴承故障的准确早期预警和识别。