滚动轴承是影响车辆服役安全保障的关键部件之一。随着列车的运用数量和既有车辆使用年限的积累,同时列车在高速、高运量和高密度等高强度的运行下,其滚动轴承往往容易出现各种故障。轴承若发生故障容易引起包括脱轨、抱死、断轴等重大安全事故。因此对列车运行过程中滚动轴承的故障状态进行监测有着重要的意义。目前,人们对轴承的故障检测主要是通过传感器采集轴承的振动信号,再用信号分析法提取故障特征,然后再对提取的特征进一步分析,其特征提取的过程比较繁琐。同时列车实际运行在强噪声、变转速和变载荷的复杂工况下,导致采集的振动信号含有大量的随机振动和噪声等复杂外在因素,所以直接使用信号处理的方法往往很难获取故障特征,故障的诊断性能差。因此,本文以滚动轴承为研究对象,提出共振解调与卷积神经网络相结合的方法来提高故障的诊断效果,并根据实际应用需求来实现滚动轴承故障监测系统的设计。利用滚动轴承发生故障会在列车运行过程中产生周期性的故障冲击,并引起加速度传感器产生共振的特点。本文将滚动轴承故障监测系统分成加速度传感器和轴承故障监测主机两个部分来实现多个滚动轴承故障状态的监测。其中加速度传感器负责滚动轴承运行过程中振动信号的采集,并通过振动信号采集通道直接传送给主机。然后主机对接收的振动信号进行采集和诊断分析。轴承故障监测主机采用ARM+FPGA的硬件结构实现,使用共振解调电路与卷积神经网络软硬结合的方法进行故障的诊断分析。主机首先利用运放等模拟器件搭建硬件共振解调电路进行振动信号的预处理,有效地过滤和抑制轴承信号中与故障信息无关的干扰和噪声,该电路通过提高信号的信噪比来进一步提高故障特征的提取效率。然后ARM控制FPGA进行滤波后共振信号的采集,最后将采集的特征数据发送给ARM进行故障的诊断分析和存储,并通过以太网将诊断结果和特征数据发送给列车上的安全监控中心。轴承故障诊断算法通过构建一维卷积神经网络模型来完成故障特征的自动提取和分类识别整个流程,取代传统故障诊断算法繁琐的特征提取工程,实现“端到端”的滚动轴承故障诊断。通过滚动轴承故障对比诊断试验,该模型在原始数据集上的识别率为86.45%,在共振解调数据集上的识别率为96.59%。实验结果表明该模型能够有效地进行滚动轴承故障的诊断,并且通过共振解调的预处理,该模型进行故障诊断的识别率有明显的提高。最后,本文通过电机滚动轴承振动测试实验的静态和动态调试来完成系统的测试和验证,实验结果表明该系统的数据的采集、诊断、存储和以太网通信等功能运行正常,并在实际应用中取得了较好的故障诊断效果。