轮对-轴箱系统作为城轨列车关键走行部机构,其健康服役状态对于列车安全高效运营具备重要意义。在轮对-轴箱系统产生故障后,轻则检修维护费用增加,重则引起行车安全事故,而复杂机械耦合结构使得故障特征非线性强,很难直接通过振动信号进行故障表征,在系统故障耦合严重的条件下,故障特征混淆难以提取。因此,对轮对-轴箱系统进行有效地监测表征与解耦诊断研究,是维护城轨列车安全服役状态的重要环节,也是城轨列车避免经济损失及安全事故的重要保障。针对传统算法在城轨列车轮对-轴箱故障表征中存在的非线性表征困难、先验知识依赖程度高等不足,本文基于城轨列车轮对-轴箱故障模式及振动特点,探讨了统计特征级故障表征原理,并在此基础上提出了基于频域特性的频域信号二维表征算法、复合故障解耦算法及仅基于振动信号解耦的城轨列车速度估计算法。针对统计特征级故障表征方法,挑选了敏感统计特征进行振动表征,并利用多状态试验台数据进行验证。首先对多状态轮对-轴箱故障进行机械模式及信号特征的分析,分别对轮对故障、轴承故障以及复合故障的机械振动模式及相应信号特点进行说明;其次,选择多个时域及频域统计特征,综合分析故障模式、速度等级、特征类型等因素在故障状态表征方面的敏感程度,并通过等比例实验台进行多状态故障模拟,将时域、频域统计特征归一化后进行同尺度对比分析,得出结论:对于轮对-轴箱故障状态区分度而言,频域特征普遍优于时域特征,并且进一步分析了敏感频域统计特征对多状态轮对-轴箱故障的表征能力。针对传统振动信号图像表征算法智能化程度不足且依赖于先验知识的问题,提出了基于频域Gram矩阵角度场的二维表征算法。首先,分析传统Gram矩阵表征方法对旋转机械周期性冲击信号表征能力的不足,对时域表征过程进行数学推导;其次,基于频域特征对轮对-轴箱多状态故障表征能力强的特点,提出频域Gram算法,将故障振动频域信号作为输入进行角度场转化,并利用Gram矩阵的相关性提取能力,提取频域冲击相关作为二维图像特征,实现轮对-轴箱多状态故障图像表征;最后,基于迁移学习算法实现频域Gram矩阵角度场表征智能故障诊断。通过等比例试验台数据,验证了所提算法对于轮对故障、轴箱轴承故障以及复合故障的表征诊断有效性。针对经典振动信号表征算法依赖于人工经验的不足,提出了基于频谱Markov转移场的表征算法。首先,分析推导传统时域Markov转移场算法对系统状态动态转移概率的提取能力,说明经典算法对于轮对-轴箱故障表征能力不足的原因;其次,提出针对频谱信号的Markov状态转移场表征算法,统计振动频谱的状态转移概率并进行矩阵化,实现频谱特征的统计场分析及二维图像化表征;最后,基于小样本数据输入的迁移学习网络,实现频谱Markov转移场表征的智能诊断。通过等比例试验台数据,验证了所提算法对于轮对故障、轴箱轴承故障以及复合故障的表征与诊断有效性。针对轮对-轴箱复合故障中故障耦合导致的特征难以提取的问题,提出了基于双轴振动的辛几何模态分解-互近似熵解耦算法。首先,推导了辛几何模态分解的算法原理,证明该算法对于复杂信号具有优秀的解耦能力;其次,分析了垂向与轴向双轴信号在轮对-轴箱状态表征中的重要作用,提出了基于双轴振动信号的辛几何分解-互近似熵重构的复合故障解耦算法;最后,利用双轴辛几何模态解耦算法对垂向及轴向振动信号进行了故障特征提取效果对比。通过等比例试验台数据,验证了所提算法对于轮对-轴箱复合故障的解耦与诊断优越性。针对城轨列车轮对-轴箱故障诊断中车速测量系统复杂且依赖于轮径值的问题,提出了基于解耦处理与相关分析的仅依靠振动信号的车速估计算法,并进行基于速度估计的轴箱轴承故障特征频率计算,实现轴箱轴承故障诊断。首先,进行了针对轴箱振动信号的解耦分析,在基于最大峭度原则实现分量选择后,利用自相关函数提取固定距离周期性冲击,从而实现城轨列车速度估计;其次,进行了国内某地铁线路实车振动信号与车速信息的采集,通过所提车速估计算法与司机室显示车速的对比,验证了该车速估计算法的可靠性;最后,采集了某地铁线路车辆轴箱振动信号,并基于该实测信号进行了车速估计,计算相应的轴承故障特征频率实现轴承故障诊断,以此说明该速度估计算法的实用性与优越性。研究成果能够为城轨列车轮对-轴箱系统故障分析与诊断提供算法依据,对城市轨道交通装备的维保有积极意义。图89幅,表12个,参考文献188篇。