滚动轴承是各类旋转机械中最常用的部件,同时又是最容易受损的部件之一,因此国内外学者都将故障识别及诊断作为一个重要研究领域。针对轴承在机车运行过程中存在的一系列问题,本文以轴承振动信号为目标,针对故障信号的故障频率提取问题做出研究,主要内容如下:首先,本文在理论基础和实际应用的基础上分析了滚动轴承故障诊断方面的研究现状,以及近几年滚动轴承故障诊断的发展方向。在此基础上,阐述了故障诊断对于高速机车运行稳定性和安全性的重要意义。针对故障诊断过程中存在的问题和难点,列出了本文针对所存在问题所要进行研究的内容以及技术方案。通过轴承实物分析了轴承常见的故障类型以及原因,并用公式推导出了故障频率。其次,针对形态学滤波过程中结构元素的选择具有一定的盲目性,文章通过对比分析不同形状的结构元素的滤波效果,找出使滤波效果最好的结构元素形状;结构元素的长度对于提取信号的冲击特征十分关键,为避免结构元素选择不合理导致的冲击特征提取失败,本文设计了以峭度和冲击成分比值组成的复合评价指标来指导结构元素长度的选取。实验表明,通过最优的结构元素来对信号进行形态学滤波,可以得到很好的滤波效果。然后,采用改进的MCKD算法对形态学滤波后的信号进行处理。形态学滤波只能达到一个降噪的效果,对滤波后的信号进行分析无法准确提取出冲击特征,因此需要通过MCKD算法提取冲击特征。MCKD算法中L的选取多根据经验值进行选取,本文设计故障特征频率能量比值K来对L的选取做出定量评价,从而找到提取效果最好的L,同时对处理后的信号进行teager算子解调,可以大幅增加冲击特征成分,进而找到故障冲击特征。最后,通过设置粒子群算法中的参数,对MCKD中的参数进行自适应寻优,快速、准确的提取出故障频率,所提取故障频率处曲线清晰。通过粒子群优化的MCKD算法对信号进行处理,可以达到故障诊断准确度高、所提取故障频率处幅值精度高的效果。实验结果表明,本文所述方法可以实现轴承早期故障信号的准确诊断,证明了该方法的有效性、可行性和合理性。