悬挂系统是保障高速列车安全运行的关键系统,起到承载车体和转向架载荷、缓冲车辆振动和轮轨冲击以及引导车辆运行的作用。随着我国高速铁路的快速发展,高速列车的高强度运行对悬挂系统的安全性和可靠性有了更高的要求。开展高速列车悬挂系统的故障分离研究,可以实现不同故障的精准定位,便于有针对性地开展检查维修工作;开展高速列车悬挂系统的故障辨识研究,可以实现关键零部件性能参数的跟踪监测,并对参数衰减和突发故障进行辨识。为实现高速列车悬挂系统的故障分离与故障辨识,本文针对特征提取、特征降维、故障分离以及参数辨识开展了一系列的研究工作,主要内容如下:(1)研究了基于谱细化分析的故障特征提取与降维算法。针对故障特征提取问题,本文提出了基于谱细化分析的功率谱特征提取算法,实现对传统时频域特征的补充和完善,提高了故障特征样本的质量。针对故障特征降维问题,本文基于核主元分析法(KPCA)实现高维非线性故障特征样本的降维,克服了 PCA算法仅能实现线性降维的缺点,并通过参数寻优算法提高了 KPCA算法的降维效率。最后,基于高速列车悬挂系统故障仿真实验平台,验证了算法的有效性和可靠性。(2)研究了基于模糊智能的故障分离算法。本文基于模糊可能性C均值聚类算法(FPCM)开展故障分离研究,讨论输入样本的合理维数,并应用优化算法确定最佳聚类数和最优的初始化聚类中心,提高了故障分离结果的稳定性和正确率。本文基于BP神经网络开展故障分离研究,对网络结构和参数进行了优化设计。基于FPCM算法对样本先验知识依赖性较低的特点,本文提出了基于模糊智能的混合算法,通过聚类分析优化选取训练样本,提高了 BP神经网络的训练效率,且故障分离结果的稳定性和正确率也有了显著的提高。最后,基于故障特征提取与降维结果,验证了算法的有效性和可靠性。(3)研究了基于非线性滤波的故障辨识算法。针对悬挂系统的故障辨识问题,本文采用基于粒子滤波(PF)和边缘化粒子滤波(RBPF)的参数辨识算法,跟踪监测关键零部件性能参数的衰减情况。本文引入误差比的概念,对算法的辨识速度和辨识精度进行比较,证明了边缘化粒子滤波算法在面对高阶系统参数辨识问题时具有更强的适用性。本文研究了基于再次均匀采样策略的边缘化粒子滤波算法,实现突发故障情况下的参数辨识,进而实现了关键零部件的故障辨识。最后,基于高速列车悬挂系统横向动力学模型,验证了算法的有效性和可靠性。