摘要：机车走行部的滚动轴承是铁路机车中极其重要并且也容易发生故障的部件,滚动轴承的运行状态直接会影响到整台机车的运行状态。一旦走行部滚动轴承发生故障,很可能造成生命财产的损失。因此,进行机车走行部轴承的状态监测及故障诊断并能及时发现故障是具有重要的现实意义。本文通过采集四种不同状态下的DF4型内燃机车走行部滚动轴承的振动信号,提取特征参数值并对神经网络进行训练,并用遗传算法对参数寻优,最后基于前面的理论研究形成一套机车走行部滚动轴承的故障诊断工具箱。在采集数据方面,本文采用铁道科学研究院研制的几-501/501A机车轴承动态检测仪,针对从机车走行部上卸载下来的不同状态走行部走行部轴承采集了大量振动信号,涉及的类型是正常轴承、外圈故障、保持架故障和滚子故障的轴承。为了提取有效的滚动轴承的故障特征,本文对机车走行部轴承振动分别进行了时域参数分析和小波分析。通过对比分析,选取峭度指标作为时域特征参数；选取小波包系数的标准差作为时频域的特征参数。在提取小波包系数时,使用了共振解调的方法对原始信号进行了降噪处理。由于BP神经网络在故障诊断方面具有一定的优势,本文采用BP神经网络。在选用神经网络的输入时,分别对比了由峭度系数值与小波包系数标准差不同组合作为输入的诊断效果,最终确定只用小波包分解系数的标准差作为神经网络的输入。为了进一步提高诊断率,本文选用了遗传算法对影响神经网络诊断准确率的DB小波基函数、小波包分解层数以及神经网络隐含层节点数进行了优化选取。使用优化后的参数训练得到的神经网络,实现了对机车走行部轴承诊断信号较为准确的故障诊断。最后基于上述对神经网络的研究,设计了一套机车走行部滚动轴承故障诊断的工具箱。