滚动轴承是支撑机械旋转的一个关键零部件,一旦发生故障,将会直接影响到整个系统的平稳运转,甚至可能造成巨大的经济损失和安全事故。传统机械故障的检修方法是定期计划检修,其特点是耗时费力、成本高昂。当前,基于零部件状态来决定是否对机械设备进行维修的状态修是各国进行大型设备检修的主流方法。随着我国重载货车地对车安全监控预警系统(4T)的建立,以及近几年大数据和深度学习技术的不断发展,基于数据驱动的故障诊断技术能够在重载货车状态修上发挥重要的作用。4T系统由货车滚动轴承振动诊断系统(TADS)、货车红外线轴温检测系统(THDS)、货车运行状态地面监控系统(TPDS)、货车运行故障图像检测系统(TFDS)四个子系统组成,本文充分利用从4T上挖掘的重载货车关键零部件运行状态数据,建立融合多传感器特征的故障诊断模型,经过实验分析,该方法能够实现对滚动轴承的精确故障诊断。本文具体的工作内容如下:(1)挖掘THDS、TPDS、TADS的温度、压强、偏移量、时域信号等特征作为模型输入,同时使用缺失值填充、特征去冗、离群值修正等特征预处理技术处理特征中存在的缺失数据和噪声数据。本文使用GBDT对特征进行重要性排序,并与XGBoost模型进行结合,提出GD-XGBoost分类模型对滚动轴承进行故障诊断。(2)挖掘TADS的振动信号,由于滚动轴承的振动信号具有非平稳、非线性特点,先使用Hilbert-Huang变换提取信号的Hilbert边际谱特征,作为模型的输入。本文对DenseNet网络结构进行改进,改变卷积、池化层的参数使其能处理一维序列;引入Inception模块来拓展网络宽度,使用不同大小的卷积核来提取信号不同尺度的特征,提出1D-DenseNet神经网络结构对滚动轴承振动信号进行故障诊断。(3)针对使用单源模型对滚动轴承进行故障诊断可能存在的不确定性问题,本文使用D-S证据理论对以上两个单源故障诊断模型进行决策层结果融合,进一步提升了滚动轴承故障诊断模型的诊断精度和抗干扰性。最后将本研究进行系统实现,作为铁路货车状态修诊断决策系统的一部分。