潘丽莎，陈 皓，秦 勇，程晓卿，邢宗义

（1.广州市地下铁道总公司车辆中心，广州510320；2.南京理工大学机械工程学院，南京210094；3.北京交通大学轨道交通控制与安全国家重点实验室，北京 100044）

在轨道车辆中，滚动轴承是车辆走行部的关键零件，也是故障高发零件，其工作状况直接影响车辆的性能和运行安全。轨道车辆滚动轴承故障诊断的主要方法有温度探测[1]、油样分析[2]、振动检测等。应用轴温检测能在一定程度上提高故障检测效率，但温升是轴承故障的晚期症状，温升达到一定值后，可能在短时间内发生热切轴现象，因此采用轴温检测方法进行轴承状态监测存在较大风险。油样分析是通过对油样理化指标和存在的磨屑进行分析，可以较直观地观察到轴承的磨损程度，但这种方法效率低，需拆卸轴承，不支持在线检测。

振动检测方法具有实用、高效、准确的特点，在轨道车辆滚动轴承状态检测中已经得到应用。且近年来，各种新的信号处理方法不断提出，尤其是小波分析这种有效的非平稳信号处理方法的引入为轨道车辆滚动轴承的故障诊断研究提供了更为广阔的空间[3]。将小波分析与RBF神经网络相结合，是从非线性、非稳态信号中识别出故障的强有力手段。

本文采用小波包分解与RBF神经网络结合的方法对轨道车辆滚动轴承进行故障诊断。首先对采集到的振动数据进行小波消噪，然后利用小波包分解提取故障信号的能量特征向量，最后利用提取的能量特征向量训练RBF神经网络，进行故障诊断。……