高速列车转向架是高速列车牵引系统中重要的部件。针对高速列车故障诊断过程中,数据来源多、维度高及实际工况复杂等问题,本文采用数据驱动的方法,综合考虑实际运行数据样本中采样点数据轨迹的特性,进行了特征提取,提出了能锁定故障位置的故障诊断算法,建立了适应于当前环境下的故障诊断模型。论文主要研究内容包括以下三个方面。(1)本文的研究基础,高速列车转向架介绍和提取数据特征描述。介绍了高速列车转向架作为高速列车的重要组成部分,其维修目标、故障判定的现行方法、微小故障的安全隐患。同时介绍了采集到的实验数据的特征情况。(2)提出一种基于变量间方差的LOF高速列车转向架故障诊断方法。首先,考虑大数据下时空计算复杂度高的问题,用IVV(inter-variable variance,IVV)算法将运行状态相似的数据轨迹融合在一起计算,以降低计算的复杂度。其次,针对数据受外界因素影响较多的情况,横向对比同一列高速列车的其它无故障部件,用非线性的阈值代替线性阈值作为故障诊断的标准。最后,在初步锁定高速列车故障部件位置的情况下,用LOF(Local Outlier Factor,LOF)算法深入诊断单个测点的离群程度,锁定故障发生的精确位置,提高该算法的精确度。结合某型号高速列车实际运行数据进行了仿真实验,验证了该算法在高速列车转向架故障诊断方面的有效性。(3)提出了一种基于DTW的特征提取方法用于高速列车转向架的故障诊断。将动态演化特征和传统静态特征一起作为故障诊断模型输入,综合的考虑了高速列车的运行状态。首先,将采样点一段时间内的采样数据连起来看做一条动态轨迹,用DTW算法画出某部件相邻的采样点数据轨迹的相似度矩阵。其次,定义了一个新的特征“偏离度”,参考K-L散度的计算方法在相似度矩阵的基础上算出该部件的偏离度,该方法在考虑到数据样本的时变进化性的基础上,也在一定程度上降低了数据的维度和计算复杂度。最后,结合某型号高速列车实际运行数据进行了仿真实验,把偏离度与静态特征一起输入故障诊断模型,验证了该算法在高速列车转向架故障诊断方面的有效性。