作为列车车体和轨道的唯一连接单元,转向架的正常工况是保证高速列车平稳行驶、顺利通过曲线和乘客舒适度的关键因素。为实时监控列车运行状况,避免运行过程中出现突发情况,通过在转向架上安装传感器并基于振动信号进行分析是一种有效的故障诊断方法。然而列车运行过程中振动情况十分复杂,信号中往往存在大量噪声和冗余,且不同通道间存在耦合。针对这一问题,本文主要基于卷积神经网络进行了故障特征的自动提取以及故障识别的研究,主要内容包括:首先,简要介绍了卷积神经网络相关的预备知识和主流模型的发展演变。为了提取到更复杂抽象的特征,实现更精准分类,卷积神经网络层数不断加深。为了设计出有效的深度网络,出现了多种技术以解决模型加深时的梯度消失和退化问题,和充分利用计算资源的模块化方法以及优化方法。这一部分是后文的理论依据和基础。其次,对研究对象做了详细阐述。从高速列车的机械构造入手,介绍了转向架故障所关联的关键部件及故障可能导致的后果。给出了基于SIMPACK的列车运行仿真实验所用的模型、方案,说明了数据构成和仿真实验的有效性,并对所采集的原始信号及其时频图进行了分析。基于上述对信号时频图的分析,设计了一种基于随机森林和投票方法的故障类型识别算法。通过对每个通道训练随机森林分类器,再用投票方法融合各分类器结果,达到了良好的故障识别准确率,远高于每个通道单独的识别准确率。为充分利用原始信号所包含的信息,并简化上述方法的流程,设计了一种深度卷积神经网络模型RSNet(Residual squeeze network)。该网络将原始的时域采样点作为输入,在自动特征提取过程中实现了通道融合。该模型的基本结构为一维的卷积神经网络,非常适用于多通道时序信号,且相比传统的二维卷积神经网络复杂度更低。在故障类型识别和位置识别任务中,该算法均达到约99%的准确率,并在各种运行速度下表现出较强鲁棒性。最后,对于更复杂的转向架关键部件性能退化评估问题,对上述算法从分类、回归两个角度进行了研究和改进。并通过 t-SNE(t-distributed stochastic neighbor embedding)数据降维方法对所提出的卷积神经网络模型作出了可视化分析。