铁路运输当前对于我国经济建设也做出了突出的贡献,同时铁路也是展现国家实力的重要形式。当前在铁路维修上常用的机械设备为捣固车,由于长期以来它的工作环境较为恶劣,轴承等相应部件损伤也比较大,一旦发生故障没有及时解决的话,那么其他列车的运行也会受到相应的影响。因此,如何准确快速的发现捣固车滚动轴承的早期故障成为今后研究的重点。1)本文首先对GHM多小波、CL4多小波和SA4多小波进行重复行预处理、逼近预处理和平衡多小波处理,同时将预处理之后对应的多小波应用在滚动轴承故障信号去噪这一阶段,同时开展对应效果的对比分析。经过实验结果对比,经过平衡多小波预处理的CL4多小波在滚动体故障信号、内圈故障信号、外圈故障信号中的效果最好;2)然后采用总体平均经验模态分解(EEMD)方法来处理滚动轴承的振动信号,分解后可以得到很多内禀模态函数(IMF)。接下来再将IMF以特征向量的形式输入到相关向量机模型当中完成分类处理;3)在有关分类模型具体选择方面,本文主要利用量子粒子群算法(QPSO)对相关向量机(RVM)分类模型中的参数进行优化,并用基于量子粒子群算法优化的RVM分类器进行故障分类,针对滚动轴承的故障进行了准确诊断。本文对多小波以及相应的预处理方法进行了详细介绍,同时探讨不同预处理方法实际的效果差异,也以仿真的形式分析不同方法处理之后对多小波应用于滚动轴承故障分析领域内所造成的影响。另外也在这一基础上研究了基于总体经验模态分解EEMD捣固车滚动轴承的相关故障特征提取的方法,该方法可以有效分析部分非线性和不规则的信号类型,也可以有效的分析旋转类型的机械故障,对振动信号源进行相应分解,得出不同的几种IMF相应形式,把特定的频率分解到每一个IMF当中。因此,IMF能量就是输入到诊断器中的特征向量。本文同时还针对于轴承故障分类的模型方面进行了相应研究,以粒子群优化算法为基础构建了优化后的相关向量机模型,可以有效的提高整个诊断过程的精确程度。本文最终构建了QPSO-RVM这种诊断的模型,在样本输入之后可以进行自行训练,并选取其中的高斯径向基核,而最优的函数也可以由QPSO自适应获取。模型对其测试样本能够达到智能化输出的效果,该模型可以有效的对轴承存在着的故障类型进行准确的判别,也能够进一步提高分析的准确程度,在实际的应用过程中有良好的效果。