牵引变压器作为电气化铁路系统中重要的输变电设备,安全性以及可靠性至关重要,若能及早发现牵引变压器潜在的安全隐患,不仅能提高运输效率,还能降低维修成本。在目前已有的各类变压器监测方法中,振动分析法对变压器内部机械结构故障反应灵敏,而且相关监测设备与牵引变压器没有电气连接,是一种十分有效的牵引变压器带电监测方法。因此,本文以振动信号分析法为研究手段,将牵引变压器铁芯和绕组的状态作为研究对象,采用振动机理分析和振动试验相结合的方法,针对牵引变压器铁芯和绕组的振动信号采集与故障诊断方法等进行了一系列研究工作。本文首先从牵引变压器的振动机理出发,通过弹簧-质量模型建立了绕组振动的数学模型,得出绕组的压紧力大小与振动加速度的关系。同时,根据磁体力学的相关理论,探讨了引起铁芯振动的主要因素,以及铁芯振动信号与铁芯状况的关系。并且结合国内外对变压器故障检测的研究成果,采用提取振动信号特征值的方法,给出了判断牵引变压器振动故障的依据,即根据特征值在不同工况下的变化判断出铁芯和绕组故障。设计了一套基于牵引变压器振动信号的数据采集系统。主要功能是采集变压器箱体表面的振动信号,将A/D转化后的数字信号传到上位机,上位机用MATLAB进行信号处理,判断出故障信息。将设计好的振动数据采集系统用于现场试验,进行了变压器空载和短路试验,试验结果表明:该振动信号采集系统各方面性能良好,能够完成预期设计目的。信号特征值的提取是故障诊断的难点,作为本文的核心,对比了近几年各种信号处理方法的优缺点,并且考虑到牵引变压器现场环境复杂,采集的振动信号信噪比较低等因素后,本文提出了结合VMD与稀疏分解算法提取信号特征信息,通过处理仿真信号发现,该算法能够提取出强噪声环境中的特征频率。将该算法应用到现场采集铁芯和绕组的振动信号,处理绕组正常状态和故障状态的信号后,得到了绕组故障的阈值,并且该阈值可作为判断绕组故障的依据。铁芯振动较为复杂,通过处理铁芯的正常状态和故障状态振动信号,提取出了铁芯振动的特征向量,为后面对铁芯故障的智能诊断奠定了基础。本文最后将BP神经网络以及PNN网络算法应用于铁芯故障的智能诊断中,通过输入特征向量判断出铁芯故障,同时证明PNN算法比BP神经网络算法在铁芯故障诊断中具有更强的优势。