我国高铁交通的飞速进步令世界瞩目,其对提升经济也起了非常大的促进作用,而高速列车自动化生产线对保证高速动车的生产数量和质量起着重要的作用。高速列车自动化生产线关键设备的运行故障将直接影响生产线的生产效率乃至停工停产,因此企业希望自动化生产线能够在无故障的条件下运行或者在有故障的时候能够迅速查明原因。怎样确保生产线健康稳定的运行,降低生产线的故障频率成为高速列车自动化生产线的重要关切议题。滚动轴承作为生产线中的关键部件,其运行状态的优劣往往影响到整个生产线的生产。轴承故障的原因多种多样,传统的维护方式已难以应对设备稳定健康运行的要求。本文研究了国内外在故障诊断领域取得的成果,分析了各个诊断技术的优势与缺点,提出了基于改进的遗传神经网络的方法来对滚动轴承进行故障诊断与监测。对滚动轴承进行故障诊断需要解决两个关键问题:第一,如何选取合适的特征量来反映轴承的健康状态;第二,如何建立合适的模型进行有效的故障诊断。本文针对这两个关键问题进行了如下的研究:(1)对轴承的振动信号进行有效的特征提取。轴承的故障状态与振动信号的统计特征量之间存在一定的联系,通过分析轴承在外圈剥落、内圈剥落、滚动体剥落以及正常状态下的振动信号,从时域和频域两个角度提取能刻画其运行状态的14个特征量。因各个特征量之间具有相关性和冗余性,故利用主成分分析对特征量集进行降维。(2)采用遗传神经网络对轴承各故障状态进行有效分类是进行故障诊断的可行方法。传统遗传神经网络模型的学习机制存在缺陷,导致其难以获得全局最优解或更好的次优解。因此本文通过改进交叉操作、变异操作增大对基因组合空间的探索,通过改进适应度函数避免当前最优部分个体遭到抑制。从而增大种群继续优化的潜能,获取解空间中的更优解,降低网络输出误差,提高分类准确率。(3)建立了基于改进的遗传神经网络故障诊断模型。经滚动轴承的实验数据集验证,表明本文提出的算法模型可以有效提高故障诊断准确率,具有较强的实用价值。