本发明提出了一种基于分数阶傅里叶变换的VMD故障诊断方法(分数阶变分模态分解(variational mode decomposition–fractional Fourier transform，缩写为VMD‑FRFT)，并与传统VMD方法进行了对比分析，仿真结果验证了所述方法的有效性。将提出的方法成功地应用到滚动轴承内圈故障数据分析中，能够精确的提取到故障特征频率。

轴承是机车的核心部件之一，具有结构复杂、运动速度高、负荷大等特点，是一类典型的非线性系统。轴承故障类型多种多样，且易发生损伤，据统计，每年对机车轴承使用量的40％进行检测，就存在33％得轴承都需要更换。并且机车轴承任何微小故障都有可能给国家和人民带来巨大的损失。在工程实践应用中，多数采用分析轴承振动信号进行故障诊断，然而利用传感器采集到的振动信号会伴随有大量的干扰信号，从而使信号具有微弱、非稳定的特征。因此如何有效的提取出故障特征、分析出故障特征频率、判断出故障类型一直是人们比较关注的问题，同时也是对非平稳和非高斯分布的振动信号前沿热点研究问题。

针对故障振动信号强烈的非线性和非平稳性特征，需要寻找一种算法将信号分解成几个与其相关的平稳信号，并进行特征信号提取。从而应运而生了一系列分解算法，在故障诊断方面也取得了很大的进展。基于经验模态分解(Empirical Mode Decomposition，EMD)的机械故障诊断方法，根据信号在时间尺度上的局部特征结构，自适应地提取反映信号本质特征的固有模态分量；Wu等将噪声辅助信号分析的方法引入到EMD中，提出了集合经验模态分解(EEMD)方法；Dragomiretskiy等结合维纳滤波、Hilbert变换和频率混合，2014年提出了一种新的完全非递归自适应信号处理方法，即变分模态分解(VMD)方法，近年来对该方法的改进算法已成为研究热点，但是对该方法的改进都是在整数域的改进，由于算法本身的局限性，都不可避免的会出现模态混叠的现象。

Namias首次从数学的理论提出了分数阶傅里叶变换(FRFT)的定义，它是一种在时频域内分析信号的新方法。罗慧等研究发现，在时频平面上存在耦合的特征信号，旋转到合适的分数阶平面时却不存在耦合问题。由于故障信号的非平稳性，近年来分数阶傅里叶变换和信号分解相结合的算法被应用到故障诊断中来。现有技术中还有利用EMD和分数阶傅里叶变换相结合的算法(EMD‑FRFT)抑制跟踪雷达信号中的高功率干扰，取得了一定成效，但是对于干扰频率较高时，滤波效果不明显；现有技术中还提出了一种基于分数阶傅里叶变换的集成经验模态分解算法(EEMD‑FRFT)，对多分量线性调频信号进行检测和参数估计，但是由于集成经验模态分解算法的局限性使模态混叠问题没有得到很好的解决。