近年来,伴随着中国制造2025的到来,我国正处于“十三五”规划建设以及“一带一路”的建设推行时期。高速轨道列车的普及和技术的发展越来越趋于成熟,其运行速度的提高及安全保障成为首要因素,列车中滚动轴承在机械故障部件中起关键作用,它的运行状态直接影响列车的全局性能。目前我国列车建设规划出现“重建设,轻运维”,服务成本高,列车中滚动轴承故障诊断结果的精度及效率相对低下。因此对其状态的检测和诊断方法的研究具有重大意义。本论文以列车中滚动轴承作为研究对象,针对其诊断精度和时间效率关键因素展开方法研究。目前在众多故障诊断方法中,传统特征提取效率低下,对非平稳信号处理欠佳。分类方法中的BP神经网络、遗传算法(GA)已被证实具有良好的诊断效果,但在处理大量数据时,仍存在缺陷:(1)模型参数难以确定;(2)诊断过程中训练时间较长;(3)容易陷入局部极小值点;(4)无通用的特征提取方法。极限学习机(ELM)训练速度高,但直接处理原始信号来进行故障诊断,最终实验分类效果差,还必须对其进行特征提取。本文针对这些关键特性,围绕滚动轴承故障检测、特征提取、故障状态分类等几个方面来对轴承故障诊断进行详细介绍。对其相应方法展开研究,主要工作内容如下:(1)提出基于小波包分解滚动轴承振动信号特征提取方法。针对传统傅里叶变换处理振动非平稳信号效果差,小波分解对信号高频部分不细分,提出了小波包分解,首先采用3层小波包分解原始振动信号各层高频和低频信息;接着重构小波包系数,提取出各频段信号;最终得到原始故障信号能量特征,实验结果表明该方法能进行很好的特征提取。(2)提出基于改进GA优化BP的滚动轴承故障诊断方法。针对小波包分解的特征值直接判断轴承故障分类效果并不直观,还需进行监督分类。首先使用传统BP神经网络以及LM-BP对其分类进行介绍;接着提出LM-BP的优化方法遗传算法,对其进行详细介绍,并针对GA本身采用轮盘赌的选择操作具有一定随机性,不能保证种群的多样性,最终影响全局寻优性能,为此,对遗传算法的选择操作进行改进;最终实验结果表明用改进的遗传算法(IGA)优化LM-BP神经网络准确率更高。(3)提出基于H-ELM滚动轴承故障诊断方法。针对目前各类诊断分类前都需特征提取,IGA-BP优化时间较长。提出用分层极限学习机(H-ELM)对轴承原始振动信号进行处理并得到最终分类结果。首先是无监督多层编码,采用极限学习机自动编码器(ELM-AE)进行特征映射,并引入L1范数使学到的特征更为稀疏;其次运用多层思想更能映射出代表原始信号的低维特征;最终进行监督特征分类。(4)进行实验研究对比。针对本文所提方法,采用美国Case Western Reserve University轴承数据进行实验研究对比。根据其精度和时间效率两者进行比对,最终实验结果表明,H-ELM不仅准确率高于IGA-BP,且从时间效率来看,用H-ELM方法分类结果时效更佳,基于H-ELM的列车滚动轴承故障诊断更能在实际生活中应用推广。