随着铁路货运能力的逐步提高,制动系统作为保障重载组合列车安全运行的核心部件,保障其正常运行至关重要。由于制动系统是一个结构复杂、模式多变的多层次混合系统,其故障并发的现象时常发生。因此,如何准确、高效、快捷的诊断出制动系统的故障是保障列车安全运行的关键问题。目前,针对制动系统的故障诊断方法忽略了制动系统数据的时序性特点,导致其并没有充分挖掘出故障模式的时序波动因子和参数耦合因子,因此在很多场景中,只能粗略判断故障的范围而不能对其进行准确定位,严重降低了故障诊断的效率和精度。鉴于此,本文提出了一种基于多维度特征融合与GBDT增强分类的制动系统故障诊断算法MFF-GBFD,本文的主要工作及研究成果如下:(1)对制动系统的常见故障进行多元时间序列建模,深入挖掘制动系统的常见故障模式,并从时域、频域、小波包分解、相关性共四种维度提取出常见故障的特征,从而构建出制动系统故障模式的初始特征集。(2)对初始故障特征进行特征的筛选与融合,首先利用ReliefF对每个初始特征的学习贡献率进行打分并排序,从中筛选出故障诊断的重要特征,然后通过KPCA对重要特征集进行相关性去重和主成分提取,得到最终融合后的最优特征子集。(3)基于制动系统故障的多维度融合特征,训练一个梯度提升决策树(GBDT)模型,并通过超参数的迭代优化,得到制动系统故障诊断模型的最优模型。(4)以本文提出的故障诊断算法作为诊断模型,结合Baidu Map API及web开发相关技术,设计和实现了列车制动系统的故障诊断原型系统。本文在朔黄铁路公司提供的制动系统真实数据集上进行了实验,实验结果表明,本文提出的MFF-GBFD算法可以对制动系统故障进行有效地诊断,通过MFF-GBFD算法与SVM、RF等常见算法的对比,在故障检测效率和识别准确率上都具有明显的性能优势。此外,以MFF-GBFD为后台引擎设计的web示范应用原型系统,进一步表明其具有实际的意义和应用价值。