滚动轴承作为动车组走行部的关键旋转部件之一,对其早期故障的发现和识别具有重要的现实意义。动车组走行部轴承在长期高速、重载的运行条件下,工作条件日益严峻,故障时有发生。现存的两种故障诊断方法各具优势:基于传统信号处理的诊断方法可解释性强,提取出的故障特征具有明确的物理意义;基于大数据处理技术的诊断方法在保证极高的诊断精度的同时,诊断耗时较少。尽管基于大数据处理技术的诊断方法已经成为主流,各种新方法不断涌现,但长期以来其存在的问题也很突出:即诊断方法的可解释性较差,将一个信号特征提取和分类的问题完全地转化成一个数学模型的问题,牺牲了故障信号作为时间序列的本质。本文针对智能诊断方法的不足,重复考虑滚动轴承故障信号的本质,从时间序列分类的角度入手,将近年来有所发展的基于shapelets的时间序列方法引入轴承故障诊断领域。通过动车组滚振试验台台架实验,建立动车组轴箱轴承故障数据集,摆脱了诊断方法对凯斯西储大学(Case Western Reserve University,CWRU)故障轴承数据集的依赖,有针对性地对动车组走行部轴承早期故障实现了识别。本文的主要研究内容如下:(1)将shapelets发现算法引入故障诊断领域,针对传统shapelets暴力发现算法耗时较长的不足,引入了一种基于机器学习的shapelets的学习算法,大大缩减了shapelets的发现耗时,并在CWRU数据集上得到了较好的故障别结果。(2)基于中国铁道科学研究院高速轮轨关系实验室的动车组滚振试验台实验,设计了走行部轴承故障信号的采集方案。根据走行部滚动轴承的常见故障类型,通过人工施加故障的方法对故障进行了模拟,最终实现了轴承故障信号的采集。(3)通过基于shapelets学习算法的信号分类方法和基于台架实验的轴承故障信号,按实际工况中的故障比例划分了非平衡数据集。为解决分类模型的过拟合问题,对正则化方案进行了深入探究,实现了诊断模型在训练集和测试集上的高精度诊断。图41幅,表9个,参考文献51篇。