轮对轴承是高速列车转向架的核心部件,其可靠性和稳定性对列车行车安全有至关重要的影响。随着列车运营速度的提高,轮对轴承的运行工况更加复杂化,加剧了轮对轴承故障的产生。因此,轮对轴承的故障诊断变得极为必要与迫切。目前,信号处理方法和数据驱动方法广泛应用于滚动轴承的故障诊断。然而,高速列车轮对轴承长期处在强噪声、变载荷和变转速的复杂工况下,导致信号处理方法的诊断性能下降、数据驱动方法的抗噪性和域适应能力差等问题。因此,如何从复杂的振动信号中提取更具判别性的故障特征,是解决轮对轴承准确故障诊断的关键,也是本文的研究课题。本文以高速列车轮对轴承为研究对象,对其故障诊断开展研究,以提取更具判别性的故障特征为研究主线,提出三种改进方法,进而提高信号处理方法的诊断性能和数据驱动方法的抗噪性和载荷域适应能力。本文的主要研究成果如下:(1)为了提高希尔伯特黄变换的信号分解、信号解调以及瞬时频率和瞬时幅值估计的精度,本文提出了软筛分停止准则,基于此,提出一种改进希尔伯特黄变换方法。该方法能够自适应地确定希尔伯特黄变换方法中经验模态分解和正规化希尔伯特变换的筛分过程的筛分迭代次数。此外,结合快速谱峭度图方法,本文提出了一种基于改进希尔伯特黄变换和快速谱峭度图的故障诊断方法,提高了轮对轴承故障诊断的精度。(2)为了从低信噪比的信号中提取更具有判别性的高级特征,本文首先提出一维残差模块,改善深层网络训练困难和性能退化的问题,然后构建了一维深度残差卷积神经网络,该网络利用卷积层的层层抽象得到高级的判别性特征。此外,宽卷积核和Dropout的全面引入有效地提高了网络的全局特征学习能力和泛化能力。相比最前沿的故障诊断方法,该方法具有更好的抗噪性和载荷域适应能力。(3)为了从复杂信号中学习丰富和互补的特征信息,从而提升模型的载荷域适应能力,本文将多种信号处理方法与卷积神经网络有机结合,并借鉴多尺度学习思想提出了多分支多尺度卷积神经网络。该网络利用多分支结构和多尺度模块从原始信号中学习高信噪比分量的特征、低频分量的特征和多尺度特征,从而在诊断模型具有良好的抗噪性能的同时,显著提升了模型的载荷域适应能力。本文采用高速列车轮对轴承数据集对以上三种方法的有效性进行评估和验证,试验结果证明了提出方法优于现有的前沿方法。最后,总结了本文方法存在的问题和未来工作。