随着时代的变化,中国的城市轨道交通产业也在飞速发展。与此同时,轨道交通的安全运行也吸引了越来越多的关注。滚动轴承作为最基本以及最广泛使用的旋转机器和工业设备的重要组件之一,如何对其运行状态进行准确和有效地监测和诊断,对保证设备的安全平稳运行以及避免重大突发事件出现等方面具有重要意义。滚动轴承的故障发生通常是随机的,通过定期的人工检查,很难避免故障的出现。因此,在线监测其运营状态并及时地诊断其发生的故障类型就显得十分重要。滚动轴承通常会处在相对恶劣的工作条件和环境中,容易受到噪声的干扰,同时振动信号也不够平稳,因此要采取适合的信号特征提取方法和高效的故障诊断技术来确保其安全、平稳地运行。本文基于虚拟仪器技术和交互式算法,设计和开发了一种基于LABVIEW和MATLAB相互结合的嵌入式滚动轴承智能监测和故障诊断系统。该系统使用NI公司提供的c RIO9075机箱和与其配套的NI9215电压模块等作为硬件,利用LABVIEW进行软件编程以及硬件的驱动调用等完成振动信号的采集、数据的存储、信号的图形化展示以及命令的收发与执行,通过在上位机LABVIEW中调用MATLAB节点,对信号的故障特征进行深入地有效提取,并利用多种智能算法,对其可能出现的较为常见的故障类型以及正常状态进行诊断研究。为了进一步改善滚动轴承的诊断效果和提高诊断精度,本文在常用的诊断算法基础之上,构思了一种综合性、全面化、智能化的故障诊断技术。首先,采用互补集合经验模态分解（CEEMD）和能量矩归一化的方法来提取其特征向量,这能较好地揭示不同故障状态;其次,将提取的故障特征向量输入到反向传播神经网络（BPNN）以及改进权重的粒子群算法（PSO）优化的概率神经网络（PNN）模型中进行故障分类,并将分类的结果返回到监测界面中,实现准确的故障诊断。通过仿真实验的结果可以看出,该系统在交互式界面中操作容易并且展示清晰,能够实时、有效地采集轴承的振动信号,相较于未优化的神经网络,该模型的诊断率较高,有很好的诊断效果。