滚动轴承是列车中应用最广泛的零部件之一,其能否正常运行关乎整个列车的安全运行。在列车运行过程中,滚动轴承发生故障,如若不能及时发现并解除故障,则可能导致引发严重后果,甚至出现车毁人亡重大交通事故。因此,为保障列车安全,实时地对其进行状态监测和故障诊断显得格外重要。基于此,将从滚动轴承故障诊断系统设计为出发点展开研究。根据滚动轴承主要失效形式和故障表现形式,选择振动信号分析技术对轴承进行状态监测和故障诊断。对滚动轴承振动信号采集、故障特征提取、故障诊断等问题进行深入研究,并完成故障诊断系统设计。主要研究内容如下:（1）针对滚动轴承在工业领域的重要作用,系统地阐述了此课题的研究背景及意义和国内外研究现状;然后说明了不同工况下滚动轴承故障诊断原理;最后介绍了实验平台和实验轴承。（2）针对集合经验模态分解（ensemble empirical mode decomposition,EEMD）迭代次数多、运算速度和有效本征模态（intrinsic mode function,IMF）分量提取不能兼顾的问题,引入互相关系数用来优化EEMD的分解停止准则。首先对采集的振动信号进行EEMD分解;然后在分解过程中,每分解出一个分量,便计算残余信号与振动信号的互相关系数;最后当互相关系数达到阈值便停止分解。实验表明该方法具有很好的实时性,在不丢失包含故障有效信息的前提下极大地提高了运行速度。（3）研究平稳工况下滚动轴承故障特征提取和故障诊断方法。将改进的EEMD方法用于故障特征提取,首先用改进的EEMD去噪,然后对去噪后的信号取包络并进行快速傅里叶变换（fast fourier transform,FFT）,从频谱中分析故障特征信息。实验结果表明该方法具有很好的故障特征提取精度和实时性。针对故障诊断问题,采用基于改进EEMD多特征融合与改进网格搜索（grid search,GS）优化支持向量机（support vector machine,SVM）的滚动轴承故障诊断方法。首先用改进EEMD构建特征向量;然后对GS的搜索范围和步长进行改进,自适应地从大范围、大步长粗略搜索,到小范围小步长精细搜索,提高搜索速度;最后用改进的GS算法优化SVM模型参数。实验结果证明该方法不仅具有较高的故障诊断精度,而且极大地缩短了所用时间。（4）研究变转速工况下滚动轴承故障特征提取和故障诊断方法。由于转速的变化,导致采集的振动信号具有时变性,不能直接采用平稳工况下的方法。计算阶比跟踪（computed order tracking,COT）方法通过跟踪转速变化,进行角域采样,将采集的非平稳信号转换为角域的平稳信号。为提高故障特征提取精度,增加重采样点落在等时间点上的机率,用粒子群算法（particle swarm optimization,PSO）优化过采样率,对原始信号进行过采样;然后再进行阶比跟踪;最后分析阶比谱进行故障特征提取。将基于改进EEMD多特征融合与改进GS优化SVM的滚动轴承故障诊断方法用于变转速故障诊断,结果表明在变转速工况下同样具有较高的故障诊断精度。（5）本文利用Python GUI技术开发了一套基于EEMD的滚动轴承实时监测与故障诊断系统。该系统主要分三大模块,首先是用户登录模块;然后是滚动轴承振动信号的在线采集模块;最后是故障特征提取和故障诊断模块。通过实际实验调试,本系统各模块均能正常工作并取得良好的效果,验证了系统的可行性。