滚动轴承是城轨列车的关键部件之一,被广泛应用于列车多个系统中。因其工作环境恶劣,易于损耗,一旦出现问题将严重影响列车运行的安全性和稳定性,甚至造成重大安全事故。因此准确把握滚动轴承工作状态,对推动列车高效运维的发展、保障列车运行安全具有重大意义。本文以城轨列车滚动轴承为研究对象,对滚动轴承的劣化状态识别方法及适用性进行了研究,包括提取劣化特征、对劣化特征进行优选、进行劣化状态划分、构建多种劣化状态识别模型以及实验数据验证等。具体研究内容如下:（1）滚动轴承劣化特征提取。在分析了滚动轴承基本结构和劣化过程的基础上,针对单一特征无法全面反映轴承劣化状态的问题,根据轴承的全生命周期振动数据,提取了滚动轴承工作状态时域、频域和时频域中的多种统计特征和熵特征,并分析了各特征参量对轴承劣化状态的表征情况。（2）滚动轴承劣化特征筛选和状态划分。提出了一种融合三种性能评价指标的劣化特征性能综合评价准则,据此剔除了无用特征参量,构建了能全面、精准表征轴承劣化状态的特征向量集。再通过对特征向量集进行基于主成分分分析（Principal Component Analysis,PCA）的降维融合,利用第一主元进行了多种聚类方法对比分析,通过分类系数定量的证明了Gath Geva（GG）聚类方法性能的优越性,并用其对未经筛选的劣化特征集第一主元进行聚类,进一步证明了利用综合性能评价指标进行劣化特征优选的必要性和可行性,最后根据GG算法和优选特征集进行了轴承劣化状态的划分。（3）滚动轴承劣化状态识别模型构建。分别基于反向传播（Back Propagation,BP）神经网络和自组织映射（Self-Organizing Feature Map,SOM）神经网络构建了劣化状态识别模型,利用劣化特征数据集验证了各自的识别性能,集成两种模型的优缺点,构建了SOM-BP串联神经网络劣化状态识别模型,在相同劣化特征数据集下,对比分析了三种模型的识别效果,证明了串联神经网络状态识别模型的优越性,再将其与支持向量机（Support Vector Machine,SVM）状态识别模型的识别结果对比,进一步证明其在滚动轴承劣化状态识别方面的优越性能。（4）SOM-BP串联神经网络劣化状态识别适用性研究。将相同工况、相同故障类型下的一个滚动轴承劣化特征数据集作为历史状态数据,另外两个数据集作为当前状态数据,用历史数据对SOM-BP串联神经网络状态识别模型进行训练后,对当前轴承状态进行识别,根据识别结果的准确性,证明了在满足一定条件下,可在历史轴承劣化数据基础上,利用本文构建的劣化状态识别模型来判断当前轴承的状态,说明了该劣化状态识别模型的实际可用性。