现在针对转向架关键部件安全性的研究主要集中在参数优化和故障特征分析两个方面,对转向架故障诊断方法的研究较少。在实际应用中,转向架关键部件故障诊断结果一般需要包含故障种类、位置、程度等关键信息。高速列车转向架的故障诊断过程一般分为:故障检测、故障分类、故障定位、故障定量和后期处理。本文主要从特征处理、分类器训练两个方面对转向架二系悬挂系统开展了故障检测、故障分类和定位的方法研究。1、根据车体的几何对称结构,选择了空气弹簧、横向减振器和抗蛇行减振器具有代表性的7种单故障工况和正常工况。从时域、频域和时频域角度选择了 12维常见统计特征、8维小波能量矩特征和3维混沌特征。选取构架和车体上的18个独立通道,采取串联方式构建了多通道特征空间,特征向量一共有414维,从各个不同角度对列车的工况信息进行描述。2、为了检测转向架二系悬挂系统是否发生故障,开展了故障检测方法的研究。首先,利用拉普拉斯特征映射算法对原始数据集进行降维处理;由于原始数据集属于两个不同的流形结构,先对构建的近邻图进行分解,再分别对分解后的近邻图进行流行降维处理。然后,利用支持向量数据描述模型,对降维处理后的数据进行故障样本检测。通过实验结果可知,基于流行降维和支持向量数据描述算法的漏检率为0%,且准确率高达到99.31%。通过漏检率、误检率和准确率指标的相互对比,本文算法的故障检测效果比其他算法更好,为高速列车故障检测提供了一种新的思路。3、为了判断转向架哪一种关键部件哪一个位置发生故障,开展了故障分类和定位方法的研究。首先,依据原始特征向量,采用K均值和基于遗传算法的K均值的聚类方法对层次分类的类别结构进行构建;层次分类的基分类器选择SVM算法,采用二叉决策树结构进行存储和自上而下的方式进行决策。然后,分别采用标准支持向量回归特征消去和改进后的回归特征消去对类别层次结构中的各个节点进行特征选择。最后,采用基于融合思想的整体法策略对特征选择算法的稳定性进行分析。由实验结果可知:基于遗传算法的K均值聚类方法构建的层次结构分类效果更好;改进后的特征选择算法选择的最优特征子集维数及识别率都要比标准算法效果好,识别率提高了约1.6%,比原始特征集的最优识别率提高约5%,说明原始特征空间中包含有强相关的特征组合;随着融合次数的增加,特征选择算方法的稳定性得到了提高。