飞机机轮轴承起着关键的承重和传动功能,是飞机起落架系统的重要部件。机轮轴承通常选用滚动轴承,是起落架系统主要故障源。传统故障诊断算法仅能诊断特定运行环境下的轴承故障,诊断算法对故障诊断设备也有严苛要求,难以对机轮轴承实施精确的故障诊断。粒子滤波(Particle Filter,PF)是一种基于状态空间模型的贝叶斯估计具体实现算法,适用于对非线性系统的状态估计。基于粒子滤波的故障诊断是当前故障诊断领域的研究热点。本文基于粒子滤波算法对机轮滚动轴承典型故障诊断问题进行深入研究。主要研究内容如下:首先,对粒子滤波发展演化进程进行梳理,给出标准粒子滤波实现步骤,并分析算法缺陷。针对重要性概率密度函数设计这个最能影响粒子滤波状态估计效果的问题,深入分析问题产生的原因与后果,使用非线性滤波算法获得近似后验概率密度,实现对重要性概率密度函数的改进。其次,以空客A320飞机机轮轴承为典型对象,分析并确定滚动轴承典型故障类型:内圈损伤故障、外圈损伤故障、滚动体损伤故障,且基于滚动轴承的工作原理,明确三种典型故障的特征频率计算方法。然后,为了提高粒子滤波对轴承故障诊断的效果,提出了一种改进的粒子滤波算法:积分粒子滤波(Quadrature Particle Filter,QPF)。首先通过高斯-厄米特积分法则和自适应协方差匹配技术设计了一种递归贝叶斯滤波新方法,称为新型高斯-厄米特积分滤波器。之后利用该积分滤波器获得近似后验概率密度函数,并将其作为粒子滤波中的重要性概率密度函数,解决了粒子退化问题,故障诊断效果得到提高。最后,提出了一种基于QPF的滚动轴承故障诊断技术:通过加速度传感器采集运行中的滚动轴承振动加速度信号,并基于轴承的典型故障特征频率,从加速度信号的希尔伯特包络谱中提取故障特征频段作为轴承健康指标;根据帕里斯定律(Paris’law),建立可跟踪轴承性能退化的轴承损伤物理模型;基于轴承健康指标与轴承损伤物理模型,通过QPF估计轴承健康状态,从而实现滚动轴承典型故障诊断。利用从轴承加速退化实验平台采集到的轴承振动数据,验证了该故障诊断方法能有效跟踪轴承性能退化程度,并准确诊断轴承故障位置。