随着铁路运输系统的发展，机车运行速度和运载能力也在逐渐提升，机车的运行安全变得越来越重要，轴承作为机车走行部的关键运动部件，其工作性能的好坏将直接影响机车整体的运行。因此，对机车轴承的故障监测及诊断对保障机车的安全可靠运行有着十分重大的意义。本文针对机车轴承的特征提取问题，研究了基于变分模态分解的机车轴承故障诊断方法，研究工作如下：　　为了提取信号的有效模态分量，研究了传统的模态分解方法。研究表明，经验模态分解（EmpiricalModesDecomposition，EMD）方法具有较好的重构性和正交性，但存在模式混叠现象；总体经验模态分解（EnsembleEmpiricalModesDecomposition，EEMD）方法通过引入辅助白噪声消除了模式混叠现象，但每次加入高斯白噪声的不同都会影响模态分量个数，重构性较差，且运行时间长、效率低；EMD和EEMD方法在数学上均缺乏严谨的解析表达。　　变分模态分解（VariationalModesDecomposition，VMD）方法克服了传统模态分解的不足，在频域上具有较好的分离特性。本文研究了变分模态分解的原理和算法，它通过迭代搜索变分模型最优解来确定每个模态分量的中心频率和带宽，从而获得模态分量。实验结果表明，VMD的模态个数与惩罚因子的选择会影响VMD分解的结果：当模态个数较小时，各模态分量与原信号的相关性较大，均包含较多信息成分，但分解准确性降低；当模态个数较大时，各模态分量包含的信息成分较少，且容易出现过度分解现象；当惩罚因子过小时，各模态分量带宽越大，容易出现中心频率重叠现象，分解准确性降低，随着惩罚因子的增大，各模态分量带宽随之减小，分解准确性提高。以各模态分量与原信号的相关性作为指标，可以确定理想的模态个数；以采样频率作为惩罚因子的取值，可提高分解准确性。　　为了识别机车滚动轴承的故障类型，提出了基于VMD的特征提取和分析方法。首先根据机车结构特点合理选取模态个数，然后对振动信号进行VMD分解，通过分析各模态分量包络谱来确定特征频率，可有效地识别机车轴承故障类型。　　为了选取各模态中含有故障信息的模态分量，提高诊断效率，提出了一种基于平方包络谱峭度的选取VMD模态分量的特征提取方法，以VMD模态分量中平方包络谱峭度最大的分量为最优分量，再用时域分析方法从其中提取有效分量，通过包络分析提取故障特征，从而得到准确的轴承故障特征频率。