轴箱轴承是保障高速动车组安全服役的重要零部件,由于其服役工况恶劣、承受载荷大、运行速度快,属于易损件,一旦发生故障会极大地威胁乘客安全。为此,开展高速动车组轴箱轴承状态监测研究,具有很大的实际工程应用价值。现有的高速动车组轴箱轴承状态监测分为车载报警系统和远程端报警系统,这两个报警系统都只是采用某一时刻温度信号的阈值来进行轴承故障判定,不仅存在大量误报从而加大人工检查工作,同时还存在报警不及时而造成长时间的列车晚点及经济损失,甚至危及行车安全,造成严重不良社会影响。为了提高高速动车组轴箱轴承状态监测的准确率,实现轴箱轴承故障预警,本论文开展了如下研究工作:(1)为了提高轴箱轴承异常温升诊断的准确率,提出了多维孤立森林轴箱轴承异常温升诊断模型。从空间维度建模,在孤立森林算法的基础上提出了基于集成学习的多维孤立森林模型,即用同架、同车、同侧轴箱轴承数据分别搭建孤立森林模型,将三个模型的输出采用集成学习策略,实现轴箱轴承异常温升诊断。实验验证了该模型能有效提高异常温升诊断的准确率,降低了误报。(2)为了准确识别轴承故障和轴温传感器故障,提出了一种基于时序轴温信号的轴箱轴承异常温升类型识别模型。提出的模型把轴箱轴承历史时序温度信号作为模型输入来训练模型,考虑轴承温度在时间维度上连续变化特性。首先计算同侧轴温的均值作为同侧各轴承的轴温以消除轴承个体差异影响,然后将计算的轴温均值作为多层长短期记忆网络的输入,最后将网络的输出通过添加一个滑移窗口来消除轴温传感器受到异常扰动的影响,实验证明提出的模型能有效区分轴承故障和轴温传感器故障,从而减少人工检查工作。(3)为了实现轴箱轴承故障的提前预警,提出了一种基于车载多源数据融合的轴箱轴承故障预警模型。该模型将与轴温相关的时空维度数据作为模型的输入来预测未来6分钟轴箱轴承温度变化趋势。首先通过多层长短期记忆网络预测轴温的变化趋势,然后计算预测轴温的偏离指数,最后将偏离指数用孤立森林算法进行无监督分类。实验验证模型预测轴温与实际轴温的误差较小,满足工程应用要求。通过实验对比,所提出模型能有效预警,从而为轴承出现故障时应急处理预留更多时间。该模型是无监督深度学习模型,即不需对样本数据人工贴标签,可以极大地减少主观因素对样本类别的影响。更重要的是,该模型还能有效减少漏报和误报。