高速列车走行部系统是一个由机械结构部件与控制电气单元耦合而成的复杂机电系统,具有保证高速列车灵活变轨、缓和车体与钢轨冲击、提供列车平稳运行的关键作用,其安全性与可靠性已经愈来愈受到国家的关注。故障诊断技术作为保障高速列车高效、稳定、安全运行的有效方法,可以对走行部系统进行状态监测。由于各类传感器广泛应用在走行部系统上,海量的采样数据为实时监测走行部系统运行性能提供了可能。然而,实际工况下走行部系统运行环境复杂、工况多变,至今尚未形成较为完善和成熟的走行部系统故障诊断体系。因此,本项研究从实际工程问题出发,主要研究内容有以下几点:(1)针对走行部的牵引系统故障数据来分析故障信息,提出了基于分块动态慢特征分析(Slow feature analysis,SFA)的系统监测方法。通过互信息计算全部变量之间的相关性,按照相关性对各变量进行分块。然后,介绍了基本SFA方法,并在此基础上,采用动态SFA方法对每个子块的变量监测,并依靠设计的两种检验统计量分析系统的局部监测性能,运用贝叶斯推理算法对所有分块整合,获得全局系统监测结果。最后,在高速列车走行部的牵引系统数据中,验证了该方法的有效性。(2)针对走行部系统的微小故障诊断问题,提出了基于深度慢特征分析(Deep slow feature analysis,DeSFA)与置信规则库(Belief rule base,BRB)的故障检测与诊断方法。先给出走行部的微小故障定义,之后对采集的数据正交分解,将分解的数据进行SFA故障检测,提高了对走行部的微小故障灵敏度。同时,利用BRB方法将专家知识与数据有效结合,对走行部系统的微小故障进行量化,达到诊断的目的。通过实际工程数据,验证了所提方法的可行性。(3)针对走行部系统健康评估不精准的问题,提出了基于参数优化的走行部系统健康状态评估方法。采用主成分分析(Principal component analysis,PCA)对特征变量筛选,获取关键特征,降低了 BRB的计算复杂度。另外,由于专家知识的不完备,难以给出合理地精准的初始专家知识,通过采用自适应协方差矩阵进化算法(Covariance Matrix Adaptation Evolution Strategy,CMA-ES)对初始专家知识更新,达到准确评估走行部系统健康状态的目的。