滚动轴承作为机械的关节,在旋转机械中占据重要地位。在复杂环境因素的影响下,滚动轴承成为了旋转机械中受损率极其高的一个零部件。它的好坏直接影响到列车是否安全运行,尤其是在高速动车组中,走行部轴箱轴承如果不及时检修更换会极大概率地引发事故。因而,深入分析动车组滚动轴承的故障诊断方法以提高诊断准确度、降低故障发生率,这对确保车辆安全运行是十分必要的。本文将动车组走行部轴箱轴承作为研究的对象,对它的相关关键诊断技术进行深入分析。所做的主要工作内容与成果如下所示:(1)研究滚动轴承的基本组成,分析了其故障机理、原因、基本形式及振动特征频率。对故障的常用诊断方法进行总结,分析了相关算法的优缺点;(2)基于业界广泛使用的经典数学模型模拟CRH380BL型动车组的轴承内外圈及滚动体故障的振动信号,为验证后续算法的可行性做好了准备;(3)对于信号的预处理阶段,考虑到故障信号的趋势并不是平稳的,采用了小波降噪法。提出了一个新的小波阈值函数(T-G函数),该阈值函数在保留了传统软硬阈值函数降噪优点的基础上,减少了去噪过程中的信号失真和振荡问题,并且与其他的改进阈值函数进行对比验证此方法的优越性;(4)对于振动信号的特征提取问题,采用了改进集合经验模态分解(EEMD)与样本熵相结合的方法,将EEMD中的虚假分量剔除,用能真实反映信号特点的样本熵作为真实分量的特征值,从而更好地区分轴承不同的故障状态;(5)对于滚动轴承的故障诊断分类,分析了样本的特性后选用了鲁棒性好的支持向量机(SVM)。并且为了提高诊断准确率,选用了全局性能良好的搜索者优化算法(SOA)对SVM的参数进行优化。最终确定了基于SOA的SVM故障诊断算法,并利用仿真数据验证了此算法的可行性;(6)通过实验室的高速列车振动试验台采集正常状态、外圈故障、内圈故障及滚动体故障的信号验证了本文所设计算法的有效性。并且与传统算法和其他文献算法进行诊断准确率对比,证明了本文算法的优越性。