滚动轴承是列车转向架系统旋转部件的重要组成部分,其良好运行状态是列车安全的重要保证,故对列车滚动轴承故障诊断方法研究具有重要的意义。因此,本文以机车滚动轴承为研究对象,以轴承振动信号为着手点,对滚动轴承故障机理、振动信号特点、故障特征频率的提取方法进行了一系列研究,主要工作内容如下:首先,在工业各个行业的应用基础上系统的阐述了此课题的研究背景和意义,然后对该领域故障诊断研究现状,振动信号的分析方法,轴承结构形式、失效类型,振动机理作了较为全面的阐述,介绍了轴承不同部件故障特征频率的计算方法。其次,针对滚动轴承故障信号的多分量调制特性及受噪声干扰导致低信噪比的特点,提出了基于变分模态分解(variational mode decomposition,VMD)和自相关分析的滚动轴承故障特征提取方法,首先利用自相关分析消除故障信号中噪声干扰,突出信号周期成分,然后采用VMD将消噪信号分解为若干本征模态分量(intrinsic mode function,IMF),对峭度值较大的分量进行能量算子解调分析。最后通过能量解调谱进行故障诊断,判别滚动轴承故障类型。再次,频率切片小波变换(frequency slice wavelet transform,FSWT)是一种新的振动信号时频分析方法。针对FSWT在强噪声背景下时频分辨率较低的问题,将VMD和奇异值分解(singular value decomposition,SVD)联合降噪的方法应用到轴承故障信号的预处理中。首先对滚动轴承故障信号进行VMD分解,根据峭度-相关系数指标拾取故障频带进行SVD以提高信噪比,然后降噪信号进行FSWT,对能量集中部分进行细化分析,最后在时频图中识别轴承故障特征。仿真与实测信号分析结果表明,该方法相比于其他方法降噪效果更明显,能够在时域和频域的更清晰有效提取故障特征。最后,滚动轴承变工况下振动信号非平稳且幅值、频率都是时变的,若直接进行频谱分析将出现“频率模糊”现象。针对这一问题,提出了基于改进VMD和阶次跟踪分析相结合的变转速工况下滚动轴承故障诊断方法。首先,对时域故障信号进行阶次跟踪等角度采样,从而实现故障信号由时域到到角域的转换,然后利用改进VMD对角域信号分解得到若干本征模态分量,最后对相应分量进行阶次谱分析,由阶次谱判断滚动轴承故障类型。定量分析该方法与直接阶次跟踪分析的效果,结果表明该方法对变转速轴承振动信号有良好的诊断效果,显著优于直接阶次分析。