随着我国轨道交通系统的不断发展,轨道车辆设备的集成度和规模得到了飞速提升,对轨道车辆设备各部分的制造、安装和日常维护提出了更加严格的要求。任何零部件的轻微故障或错位都可能影响整个轨道系统的正常运行,甚至可能导致严重的交通事故。滚动轴承通常在重载和高速条件下运行,是轨道车辆设备的关键零部件,因此滚动轴承会不可避免地出现性能下降,导致故障发生。轴承故障诊断的关键是提取由周期性冲击激励产生的瞬态分量。然而,从轨道车辆设备采集到的振动信号通常是不平稳的和非线性的,并与强噪声混合,这提高了轴承故障检测的难度。因此,开展滚动轴承故障诊断研究,准确提取故障瞬态分量,对轨道列车的安全可靠运行具有重要意义。本论文以准确并高效识别轨道车辆轴承的故障类型为目标,提出了一种多带宽模态流形融合方法及其改进策略,并成功应用于轴承故障诊断中。论文的主要内容包括:(1)基础理论介绍。首先,阐述了变分模态分解(VMD)的基础理论,分析了关键参数对VMD输出结果的影响,并总结了现阶段VMD的主要改进方法及应用策略,发现VMD方法在去噪能力和计算效率方面的理论局限性。然后,基于VMD在不同参数下故障模态的信息互补特点,引入信息融合的思想,总结了流形学习技术的发展,并详细介绍了局部切空间排列(LTSA)算法,为全文方法的研究思路提供理论基础。(2)多带宽模态流形融合方法的确立。为准确提取轴承故障瞬态分量,提出利用流形学习非线性融合多个具有不同带宽的故障模态的多带宽模态流形融合新方法。首先,针对VMD计算冗余和模态数量难以确定问题,提出了一种名为回收VMD(RVMD)的高效分解策略,实现了故障信息的快速、完整、准确定位。然后,提出基于基尼系数的故障模态筛选策略,构建包含故障信息的多带宽模态。最后,采用流形学习从高维故障数据矩阵中揭示低维非线性固有结构,实现对轴承故障特征成分的准确提取。通过对仿真和实测轴承故障信号分析,验证所提多带宽模态流形融合方法的有效性和优越性。(3)多带宽模态流形融合方法的改进。针对LTSA在构建局部数据分布时邻域点数量难以确定的问题和流形融合特征波形上下不对称问题,分别提出改进策略。首先,引入自然最近邻居算法构建差异化局部数据分布,通过区域数据密度自适应指定邻域大小,克服了传统k最近邻居算法非自适应的问题。然后,提出基于特征值权重的特征补偿策略,构建波形上下对称的综合流形特征,使其更适合表征轴承故障脉冲分量。通过仿真和实验信号分析,证明了改进后的方法能够实现更加高效、准确的轴承故障瞬态分量的提取。综上,本文从改善故障信号特征识别精度和提高故障诊断效率这一目标出发,系统研究了多带宽故障模态矩阵的构建和流形特征学习策略,提出了多带宽模态流形融合及其改进方法。所提方法摆脱了传统轴承故障诊断技术对参数选择的依赖,提高了故障瞬态成分提取精度和效率,对轨道车辆轴承故障诊断有一定的理论指导和工程应用价值。