滚动轴承作为列车的重要组成部分,其工况状态直接影响列车的安全性能。一旦滚动轴承发生故障,轻则造成列车停运,重则发生安全事故,导致人员伤亡。因而对于滚动轴承的早期故障诊断,意义重大。本文以滚动轴承为研究对象,分别采集其在正常、内圈故障、外圈故障、滚动体故障4种不同工况下的振动信号,通过小波分析与经验模态分解对信号进行分析提取特征向量,结合神经网络完成一个轴承故障诊断系统。最终通过实测信号验证了对于滚动轴承的故障诊断效果,为轴承早期故障诊断提供了一种有效途径。论文的主要研究内容包括以下几个方面:(1)滚动轴承的故障机理与信号特征。本文通过分析滚动轴承的结构组成以及振动信号的特征频率,细化了研究方向。(2)对原始信号进行降噪处理。通过传感器采集到的信号包含着环境噪声,对故障的判断造成了一定的干扰。本文通过小波包对原始信号进行降噪处理,降低了原始信号中的噪声,提高了信噪比。(3)振动信号的特征提取。对信号进行EMD分解与小波包分解,分别得到了IMF分量与频带分量,并且通过分析时域、频域中的多种统计指标,选定以均方根值提取信号中的特征向量。(4)BP网络模型构建方法的研究。结合EMD、小波包两种时频分析方法,分别构成EMD-BP网络模型与小波包-BP网络模型,并都通过自适应学习速率算法对标准BP算法进行改进。最终经过对实测数据的计算,对比分析各模型的性能,结果表明,经过小波包分解提取的特征向量,在经过自适应学习速率算法改进的BP网络中可以有效地实现滚动轴承故障的智能诊断。