为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解（redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD）和极限学习机（extreme learning machine,简称ELM）相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换（redundant second generation wavelet packet transform,简称RSGWPT）和局部特征尺度分解（local characteristic-scale decomposition,简称LCD）方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量（intrinsic scale components,简称ISCs）;然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解（singular value decomposition,简称SVD）,将得到的奇异值作为表征各损伤信号的特征向量

首先利用蛙跳算法对最佳影响参数组合进行搜索,搜索结束后选择最优的参数,利用优化参数的变分模态分解对故障信号处理,得到本征模态函数;为了验证蛙跳算法得到的参数是否为最优参数,选择最佳的本征模态函数进行包络分析,将包络谱的特征频率与实际故障频率相比较;以得到的模态函数构成矩阵,进行奇异值分解,得到信号的奇异值,以奇异值作为极限学习机的输入,对故障类型进行分类。利用优化参数的变分模态分解对仿真信号和实测信号进行分析,均能提取特征信息,对故障类型进行识别,表明该方法有一定的实际意义和实用价值。