高速列车的服役状态事关重大。轴箱轴承是高速列车走行部的核心零部件,其运营状态直接决定高速列车的整体性能,影响列车的平稳性、安全性和舒适性。目前,国内高速列车走行部核心部件的监测手段较为有限、状态评估方法相对匮乏,故障诊断技术尚未成熟,不能满足轨道交通装备智能化发展需求。为此,本文在对现在滚动轴承故障诊断与状态评估技术进行系统梳理的基础上,开展了轴箱轴承故障诊断与状态评估技术的研究,主要完成了以下几个方面的研究内容:首先,为提取轴箱轴承故障快变重复脉冲,针对MED、OMEDA、MCKD、MOMEDA求解逆滤波器方法的不足,基于粒子群优化(PSO)算法和广义球面坐标变换,提出了一种全新的逆滤波器求解策略。以滤波信号的峭度、相关峭度、D-范数或Multi D-范数作为优化目标,利用PSO迭代求解逆滤波器系数的全局最优解,得到了4种全新的解卷积算法,分别是PSO-MED、PSO-MCKD、PSO-OMEDA和PSO-MOMEDA。仿真和实验分析结果表明:相比于MED、MEDA和OMEDA,PSO-MED和PSO-OMEDA能够有效地克服强随机脉冲的影响;相比于MCKD和MOMDA,PSO-MCKD和PSO-MOMODA能有效克服故障周期偏差的影响。接着,为进一步优化解卷积算法增强快变重复脉冲的性能,本文设计了一种度量故障冲击特征的稀疏指标—脉冲范数,并结合PSO与脉冲范数提出了一种新的盲解卷积方法(PSO-MIND)。脉冲范数是一种全新的故障特征参数,对信号中的冲击特征敏感,且不依赖于故障周期信息。PSO-MIND以滤波信号的脉冲范数为最优化目标函数,利用PSO算法搜寻逆滤波器系数的全局最优解,可实现多脉冲的增强。仿真和实验结果表明,相比于MED和PSO-MED,PSP-MIND算法不受信号中的强随机脉冲的影响;相比于MCKD、PSO-MCKD、MOMEDA和PSO-MOMEDA,PSO-MIND算法在不依赖故障周期信息的前提下,能够实现较为类似的周期快变重复脉冲增强。随后,为诊断轴箱轴承早期局部缺陷故障,结合自适应噪声互补完全集成经验模态分解(CCEEMDAN)与PSO-MIND提出了一种全新的轴箱轴承轻微故障诊断方法。CCEEMDAN是一种全新的时频分析算法,可将振动信号中不同的成分分解到不同的模态分量,实现非线性非平稳信号的完全自适应分解。首先,利用CCEEMDAN算法将振动信号分解为不同的固有模态函数(IMF)分量;接着,基于敏感参数识别包含故障特征信息的IMF分量;最后,利用PSO-MIND算法增强敏感IMF分量中的故障快变重复脉冲,采用包络谱揭示轴承故障类型。实验结果表明:与单一CCEEMDAN和PSO-MIND相比,新方法在宽带噪声污染和故障冲击脉冲微弱情况下具备更好的故障诊断效果;与变分模态分解和谱峭度算法相比,能更准确识别故障特征频率及其倍频。最后,为评估滚动轴承在服役过程中的性能退化趋势,基于假设检验技术和轻微故障诊断方法提出了一种滚动轴承性能退化评估方案。利用F/KS/U检验统计量量化服役轴承的性能退化趋势,利用假设检验理论辨识轴承状态发生改变的时刻,利用轻微故障诊断技术辨识轴承故障类型,实现轴承在全寿命服役周期中的服役状态监测、诊断与评估。实验结果表明:所提方法在轴承的全寿命周期服役中可实现轴承的状态量化评估、退化趋势跟踪和故障精准识别,可为轴箱轴承在线监测提供方法理论和技术支撑。