在我国铁路行业,随着高速列车的不断涌现和铁路大提速的不断进行,对机车轴承状态实现准确检测十分重要。准确发现机车轴承故障,精确诊断故障类型,适时维修、更换,是提高机车轴承利用水平,避免生产安全事故的重要手段。因此,机车轴承故障诊断一直是受关注的一个课题。轴承故障诊断系统包含诊断信息的获取、故障特征信息提取和状态识别三部分,其中故障特征提取和状态识别是诊断的关键。本文提出将内禀模态奇异值分解和支持向量机(Support Vector Machine)相结合的方法实现机车轴承的故障诊断。运用经验模态分解(Empirical mode decomposition,简称EMD)方法对轴承振动信号进行分解,将得到的若干个内禀模态函数(Intrinsic Mode Function,简称IMF)形成初始特征向量矩阵,然后对该矩阵进行奇异值分解(Singular Value Decomposition,简称SVD),提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断机车轴承的工作状态和故障类型。论文介绍了机车轴承故障的成因、基本形式和振动模型;分析和讨论了轴承故障诊断的常用方法;研究了EMD、SVD和SVM的基本原理及其在轴承故障诊断系统的应用,借助MATLAB实现了对轴承故障信号的分析和处理,完成了故障特征向量一奇异值的提取;通过分析建立了支持向量机分类器,实现了对轴承故障类型的识别,同时研究了分类器在小样本情况下的泛化能力。文中分别对机车轴承正常、内圈故障和外圈故障三种状态进行研究,实现了故障特征信息的提取和状态识别,仿真实验结果表明该方法的有效性和小样本情况下良好的泛化能力。