滚动轴承是火车走行部的关键零件之一,其状态的良好是火车安全运行的重要保证,故滚动轴承故障诊断的方法研究是目前一个热门的研究方向。如何选择恰当的信号处理方法有效地提取故障信息,实现故障诊断显得尤为重要,本文以滚动轴承为媒介提出滚动轴承故障诊断的自适应处理方法,将自适应LMS滤波算法用于滚动轴承振动信号的预处理中,研究的主要内容如下:首先,介绍了本课题的研究背景及意义,并对变步长LMS算法和滚动轴承故障诊断的研究和发展现状进行了详细的阐述。之后,对自适应LMS算法的理论和原理进行的详细的介绍,并从四个方面对该算法的性能进行了分析,最后介绍了该算法在信号降噪中的应用。其次,文章提出了LMS算法改进的三个方法,并介绍了当前两种常用的改进算法,第一种改进算法为归一化LMS算法,该算法解决了输入信号较大时出现梯度噪声变大的问题,第二种改进算法为基于S型函数的变步长LMS算法,该算法解决了传统算法随收敛速度和稳态误差要求相互矛盾的问题。本文在这两种算法的基础上了提出了基于归一化双曲正切函数的LMS算法,介绍了算法的机理,并分析了参数对算法性能的影响及其可能的最佳取值。再次,变步长LMS算法的收敛性能主要取决于参数值的选取,传统上依靠经验或者多次试凑来确定参数的最佳取值,这种方法存在一定的局限性。本文利用遗传算法对变步长LMS算法步长因子中的参数进行优化设计,得到参数的最佳取值,同时通过计算机仿真来对比所选取最优值算法的性能,结果表明本文算法相比之下具有更好的收敛性能。之后利用滚动轴承故障仿真信号对自适应LMS算法进行降噪分析,分析了其在不同信噪比和不同噪声条件下的降噪效果,并对降噪后的信号进行包络解调,对比在不同条件下包络谱中特征提取的效果。最后,由于滚动轴承故障信号受噪声干扰导致低信噪比且噪声环境复杂的特点,为了能够准确有效地提取故障信息,本文提出基于VMD和自适应LMS算法的滚动轴承故障诊断方法,首先对采集的故障信号进行VMD分解成若干个IMF分量,并根据峭度准则选取峭度值最大的两个分量进行重构,然后再对重构的信号进行自适应LMS算法滤波,最后进行包络解调得到轴承故障特征频率,实验分析表明,将VMD和自适应LMS算法相结合,在滚动轴承故障特征提取中取得良好的效果,能有有效地提取故障特征,实现故障诊断。