滚动轴承作为旋转机械的重要组成部件,其性能极大影响了旋转系统的稳定性和安全性,因此,对滚动轴承的故障诊断一直是牵引传动系统的重点关注。本文通过对滚动轴承在运行过程中产生的振动信号进行分析,识别和诊断轴承当前的健康状态,主要研究内容如下:简要阐述了滚动轴承故障诊断的研究意义和研究目的,梳理并介绍了滚动轴承故障诊断的起源、发展历程和研究脉络等。介绍了基于小波分析的去噪方法的原理和发展历程,采用传统小波阈值去噪、改进小波阈值去噪、小波空域相关法去噪、小波模极大值去噪和本文提出的小波分段阈值去噪法分别对仿真信号和轴承实际振动信号进行去噪处理,实验结果表明本文提出的小波分段阈值去噪法具有最好的去噪效果。采用本文提出的小波分段阈值去噪法进行信号去噪后,对去噪后信号进行特征提取。介绍了基本的时域、频域特征,重点介绍了时频域分析方法小波包分解(Wavelet Packet Transform,WPT)、经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、局部均值分解(Local Mean Decomposition,LMD)、变分模态分解(Variational Mode Decomposition,VMD),阐述原理及各个方法的优缺点,并对其进行仿真分析,实验结果表明VMD方法分解效果最好。另外,提取出的高维特征集需要降维处理,本文采用主成分分析法(Principal Components Analysis,PCA)和局部切空间排列算法(Local Target Space Alignment,LTSA)进行特征降维。本文采用的VMD方法需要提前设置分解参数,针对此问题,本文提出了基于遗传和果蝇算法协同优化(Genetic Algorithm-Fruit Fly Optimization Algorithm,GAFOA)VMD分解参数的方案,实现了自适应分解振动信号,并通过包络谱分析对故障表征效果进行比较,验证了优化参数VMD方法的优越性。基于本文提出的小波分段阈值去噪法和GA-FOA优化参数VMD方法得到特征矩阵,采用PCA和LTSA降维方法,结合机器学习中的SVM模型、BP神经网络模型分别进行故障状态和故障深度的识别,结果表明LTSA+SVM方法取得了最好的诊断精度。而后调整实验训练集和测试集的比例,研究了SVM分类模型的泛化能力。