通过查阅大量相关的文献，对其进行了解、学习及消化。知晓本课题的相关研究历史及现状，其基本内容如下：

文献[6]主要是对目前机车滚动轴承故障的产生及诊断方法研究的阐述，从中了解到了目前关于机车滚动轴承故障的产生及诊断方法的研究现状。通过对文献[6]的阅读让我对机车滚动轴承故障的产生及诊断方法的研究现状有了一定的了解，对课题的研究背景有所了解。

文献[7-17]主要是对机车滚动轴承故障的产生及诊断方法分析研究，讲述了机车滚动轴承故障的产生及诊断方法的一些基本内容、影响及机车滚动轴承发生故障引起的列车动力学性能影响的研究；文献[7]讲述了滚动轴承故障的分类，分析了其产生的原因，即对滚动轴承由于反复荷载作用，轴承的表面出现了裂纹，点蚀、剥落缺陷进行了分析；文献[8]讲述了滚动轴承故障产生的影响，并对滚动轴承故障及其对列车运行的影响进行了研究；文献[9]主要介绍了机车轴承故障诊断常用的方法，包括：油样分析、温度测量、振动诊断、直接或间接观察法和无损探伤、冲击频谱检测技术等；文献[10]讲述了在轴承故障诊断和其他循环平稳信号的诊断中，光谱相关性与包络分析之间的关系；文献[11]深入研究了轴承故障诊断中的智能诊断上的应用基于时频分析与智能算法的滚动轴承智能诊断方法；文献[12]介绍了滚动轴承的结构、故障形式及其成因、故障特征频率等，详细研究了故障诊断领域比较活跃的理论与方法，这些方法包括FFT变换诊断方法、小波变换诊断方法、Hilbert．Huang变换诊断方法。利用噪声法采集滚动轴承的故障信号，并搭建了现场实验台进行信号采集，同时基于DSP的高速实时性，既能快速处理大批量数据，又能对信号进行实时处理；文献[13]是对轴承振动信号的分析和处理以及故障特征提取的研究。是进行轴承故障诊断中重要的一环；文献[14]通过多种方法对列车滚动轴承的故障特征提取及智能分类进行深入研究，探求相应的特征指标与故障程度的相互关系，提出多种列车滚动轴承的智能故障诊断模型，并以实际的列车滚动轴承为具体研究对象进行了全面的验证；文献[15]采用SVM作为分类器对旋转机械的工作状态和故障类型进行了分类，并对SVM在小样本故障诊断中的应用进行了较为全面的研究。对实验数据的分析结果表明。经验模态分解和模式识别的新技术，即SVM相结合应用于旋转机械故障诊断当中；文献[16]以点蚀滚动轴承为研究对象，围绕故障智能识别的两个关键：有效提取故障特征信息：根据故障特征信息利用SVM进行智能识别而展开研究，分析了造成滚动轴承异常振动的原因。

文献[17]把一种自适应时频分析的自适应STFT方法，应用于货车滚动轴承故障诊断中，并结合传统的共振解调技术提出一种新的振动信号分析方法，即自适应共振解调方法。同时提出一种结合SVM、主成分分析和相关山形聚类的状态识别方法，实现轴承状态的智能识别，是对SVM的进一步研究；文献[18-20]通过对不同的机车的滚动轴承故障的诊断方法进行阐述，包括对地铁列车对信号进行时域分析、频谱分析和小波包分解，通过SVM智能算法实现滚动轴承健康状态的辨识；动车组滚动轴承的故障机理及诊断方法分析；以及铁路货车滚动轴承的故障基于包络信号的高阶统计量，识别正常、外圈剥落以及滚子点蚀故障；文献[21]介绍了SVM算法和SOM算法的理论基础：分析研究SVM改进算法；探讨SVM算法的不足之处；为研究本课题提供了理论基础；文献[22]主要讲了国外本文利用SVM在机器状态监测和故障诊断，对SVM在机器中的最新研究和发展进行总结和评述，与前几篇国内的相关研究来相互补充，充实课题内容；文献[23-24]对关于如何建模进行相关分析有助于本课题中使用相关软件进行建模分析。 机车滚动轴承故障文献综述和参考文献:http://www.chuibin.com/wenxian/lunwen_205118.html