近年来,随着全国大中城市轨道交通发展建设的热潮,轨道交通运营总里程及车辆总数不断上升,列车车辆的复杂性及综合化不断提升,这对城市轨道交通设备的安全性和维修的高效性提出了更高的要求。可是目前常用列车检修维修方式并不能完全跟上轨道交通发展的步伐,当前的维修方式不仅消耗较多人力资源,也会因为检修不及时等原因导致设备故障发生,从而造成经济损失,甚至危及乘客安全。因此研究利用列车状态历史数据提前进行故障的可靠预测和准确维修,对保护乘客安全、降低经济损失、减轻维护人员工作量具有重要意义。本文以德国铁路公司440系列列车设备数据为研究案例,提出基于隐形马尔可夫模型,并结合基于状态的维修(CBM)以及故障预测和健康管理(PHM)的技术特点,建立了列车状态预测与故障维修模型。模型根据列车设备的历史工作状态信息,使用机器学习的算法预测并基于似然转换得到设备下一时刻的健康评级,维修人员参考预测的健康评级对列车设备进行预处理,经预处理后实际运行产生的健康评级将反馈至预测模块。对列车状态预测建立两级预测模式:一级预测针对全体列车设备状态使用时延神经网络;针对列车设备状态的复杂特性,对于预测效果较差的列车设备状态,二级预测采用不同神经网络预测不同列车设备状态,列车异常状态(小概率事件)的预测难度较大,小概率事件具有明显的异质性,组合神经网络能够较好解决此问题。基于对列车状态预测的研究,本文从现场运营者角度出发,分析了列车设备故障预测与维修方法在维护间隔和维修费用。最后,将基于列车状态数据的故障预测与维修方法推广至类似铁路设备,与定期检修维修方法结合,初步设计了铁路设备维修管理系统,该系统可利用轨道交通大数据信息优势,使设备维修工作更具有科学性。论文通过对列车状态数据分析,建立了列车设备故障预测与维修方法。对于铁路设备安全苛求性要求,对建立的两级预测模式经过数值模拟分析,两级预测组合神经网络比单一神经网络的估值准确度高,同时计算力需要并无明显提高。经定性与定量分析,列车设备故障预测与维修方法在维护间隔和维修费用上与传统计划维修方法相比具有优势,现阶段该维修方法可作为现行维修策略的补充,能够降低维修费用,以及降低列车实际运行发生的故障次数。