螺栓连接结构是机车转向架各部件常用的连接方式,它的稳定性对保证整个机车正常有效运行起着至关重要的作用,对机车转向架螺栓连接结构进行松动故障检测,是保证机车安全平稳有效运行的重要手段之一。本文针对机车转向架螺栓松动故障,在传统信号分析的基础上,提出将变分模态分解(VMD)与最小二乘支持向量机(LSSVM)相结合的方法应用到螺栓松动的故障检测中。该方法首先通过仿真与实验分析验证了VMD分解方法应用于螺栓松动信号分析的可行性,再结合LSSVM方法实现了对机车转向架螺栓松动的故障检测,并针对诊断过程中的不确定性问题提出了基于模态区间的改进方法,改进了机车转向架螺栓松动故障的检测方法。首先,本文对国内外螺栓松动检测方法进行了总结,并针对基于振动的螺栓松动检测方法,进一步总结了当前的振动信号分析与状态识别方法的研究现状。分析螺栓的失效形式以及螺栓松动产生的原因,并以此为基础搭建了螺栓松动检测实验平台,获取螺栓松动四种状态振动响应数据;然后对数据进行时域、频域分析并提取了时域、频域特征,并对时频信号分析方法VMD分解进行仿真分析,验证了该方法在克服模态混叠与端点效应等方面的优越性,并在同一条件下与传统EMD分解方法作分析对比,结果表明VMD分解方法相较于传统时频域信号分析方法在信号分析上更具有优势。其次,结合LSSVM状态识别方法,提出了基于LSSVM的螺栓松动状态识别方法。该方法通过对螺栓松动各状态信号进行VMD分解,得到若干本征模态函数,再利用能量熵值理论求取各本征模态函数能量熵作为特征,结合传统时域、频域特征构建特征集,运用LSSVM状态识别模型对螺栓各松动状态特征进行训练学习与识别,识别率为90%,并对比EMD-LSSVM、VMD-LSSVM方法,表明基于多特征的LSSVM方法应用到螺栓松动故障检测的可行性及优越性。最后,针对螺栓松动实验与故障诊断过程中存在的不确定性问题,将模态区间理论引入螺栓的状态识别过程,提出一种将模态区间与LSSVM相结合的螺栓松动状态识别方法。最终的识别结果表明相较于多特征-LSSVM方法所提方法的识别准确率有着一定程度的提高,在实现螺栓松动故障检测的同时在一定程度上解决了诊断过程的不确定性问题,为实际工程故障检测不确定性问题提供了有益的方法。