随着高铁里程的持续增长,动车组的安全性、可靠性越来越成为重中之重。轴承作为高速列车安全行驶的核心部件,其健康状态直接影响着行驶安全。准确提取轴承的退化表征指标,是进行轴承工作模式识别、故障判断、寿命预测的关键。本文对轴承结构特性、失效形式及载荷特性等进行了研究,重点分析了轴承振动特性及退化状态。以轴承试验台数据有效构建轴承退化表征指标,并以这些指标为准则,通过IMS轴承数据研究了轴承的退化趋势表征和剩余寿命预测。本文主要工作如下:1.设计了一种同步挤压S变换与SVD算法相结合的降噪预处理研究。针对轴承振动信号的复杂背景噪声特性,对S变换和奇异值分解的降噪预处理方法进行了改进,结合同步挤压方法设计了基于同步挤压S变换的时频系数矩阵获取,结合差分谱方法精确地确定阈值。试验信号结果表明,该方法可有效去除噪声,且获得良好的重构信号。2.以不同特征指标对轴承不同故障类型及程度的敏感度不一致为原则,分别在时域、频域、小波包域及熵域四个域中共提取36个指标。为了避免不同轴承引起的误差,采用相对化处理。由于各指标间信息的重复性和噪声的叠加性,利用偏相关分析进行一次筛选,剔除无法有效表征故障类型及程度的参数指标,最终选取19个指标组成混合域特征参数。3.基于核主元分析构建轴承退化性能表征指标。由于主元分析方法无法获取非线性关系,引入径向基核函数,映射于空间进行主元分析,以贡献率大于85%为原则,最终获得2个核主元,有效降低计算复杂度。试验数据结果表明,获得的核主元可以有效地判断10种不同故障类型和程度的轴承,且通过一次筛选后的最终结果明显优于未进行一次筛选的。与主元分析方法相比,核主元分析方法可以有效地提取参数之间的非线性关系,提取的指标可有效地表征轴承退化。4.设计了基于遗传算法、经验模态分解与BP神经网络相结合的轴承寿命预测研究。针对核主元趋势的不稳定性,利用经验模态分解的核主元进行主趋势提取。在对轴承全寿命周期退化状态分析中,通过趋势变化来判断退化过程中的五个阶段:正常期、轻微退化、恢复期、严重退化、急剧退化。分别对不同阶段的退化特性,提出基于多阶段BP神经网络的寿命预测研究,并引入遗传算法,优化网络结构参数。结果表明,该算法有效降低了误差,提高了预测精确。