滚动轴承是高速列车上容易受损的关键零部件,也是旋转机械上的重要零部件。由于长期工作在高速、重载的工况下,零件之间的接触应力使得滚动轴承容易出现故障。轴承一旦发生故障,则可能带来较大的经济损失甚至安全事故。滚动轴承失效是导致设备失效的主要原因之一。因此,对滚动轴承的健康状态进行监测对于保证高速列车安全运营以及提高旋转机械的运行可靠性方面有重要意义。滚动轴承的故障不是一次性全部出现,而会随着使用时间的增加而逐渐出现。增量学习方法可以通过更新故障诊断模型始其适用于诊断不断出现的新故障,该特点符合滚动轴承随着使用逐渐出现故障的情况。本文围绕采用增量学习方法对滚动轴承进行故障诊断展开,主要内容及创新点如下:(1)变转速下的滚动轴承振动信号的频率、幅值、相位等信息不仅会因为滚动轴承故障发生调制,转速变化也会引起类似的信号特征变化,导致变转速下滚动轴承采用基于降噪自动编码器的增量学习方法出现故障诊断准确率较低的问题。本文从数据预处理的角度解决这一问题,采用了四种不同的数据预处理方法:转速标准化、Z-Score标准化、等角度重采样以及功率谱分析。最后发现采用功率谱分析可以提高变转速下基于增量学习的滚动轴承故障诊断准确率。(2)特定的故障诊断方法对使用的数据有一定的限制,用于诊断的数据必须包含大量适用于该故障诊断方法的信息。应用于特定的故障诊断方法的数据没有经过可用性判别,可能会导致故障诊断模型的诊断精度下降。为了解决由于信号采集链路故障导致采集的信号不适用于特定的故障诊断方法的问题,提出了基于信号采集链路故障诊断的数据可用性概念。本文设计并进行相关实验采集数据,将增量学习方法成功应用于信号采集链路故障诊断上,并取得了较高的故障诊断准确率。(3)在完成信号采集链路故障诊断后,将信号采集链路故障诊断与滚动轴承故障诊断结合起来。利用采集到的实验数据进行了考虑与不考虑数据可用性的诊断结果对比,即在进行滚动轴承故障诊断之前,先对数据进行可用性判别以及直接将数据应用于滚动轴承故障诊断。实验结果表明,在信号采集链路存在故障时,进行数据可用性识别相对于不进行数据可用性识别可以明显提高滚动轴承故障诊断准确率。