列车轴箱系统作为列车走行部的关键部件,同时也是影响铁路列车运行安全状况的重要部位,因此对轴箱滚动轴承的状态监测极其重要。近年来,压缩感知(Compressive Sensing,CS)理论为旋转机械故障诊断提供了新思路,在振动数据处理领域有广泛的应用。本文研究了基于压缩感知的轴承振动缺损数据修复方法,并且针对轴承出现的单一故障、复合故障情况,提出了对应的诊断处理方法,通过仿真与实验的验证,证明了方法的有效性。具体研究内容如下:(1)针对滚动轴承振动测量过程中数据缺损问题,建立了基于压缩感知的缺损振动数据修复模型。所提模型首先根据先验知识,利用同类型的完整数据通过改进的K奇异值分解(K-Singular Value Decomposition,KSVD)算法训练出过完备字典。在重构阶段,提出了基于自适应阈值改进的变步长稀疏度自适应数据修复方法,通过对随机缺损与连续缺损数据的修复,验证了所提方法的有效性,相比于传统算法,所提方法提高了修复精度与运行效率。(2)针对滚动轴承单点故障诊断困难的问题,提出了一种基于压缩感知的包络检波诊断方法。利用快速谱峭度方法对原始信号去除冗余信息,然后将傅里叶变换基作为稀疏字典,构造随机高斯矩阵作为测量矩阵,利用CS算法重构轴承信号的包络特征,获取反映故障特征的信号成分,从而提取故障特征频率,并用仿真与实验数据验证所提方法的有效性。(3)针对滚动轴承复合故障特征难以分离的问题,提出一种最大相关峭度解卷积(Maxim Correlated Kurtosis Deconvolution,MCKD)结合子空间追踪(Subspace Pursuit,SP)算法的复合故障诊断方法。首先根据先验知识确定故障周期,提出了三阶段搜索法以包络熵为优化指标求解滤波器长度,然后对滤波信号的包络进行子空间优化重构,最后利用仿真信号和实验室货车轮对跑合实验台的数据验证所提方法的有效性,从复合故障信号中提取到了单一的故障特征频率的基频与二倍频。