随着我国铁路行业的迅速发展,其各项技术指标均已经达到世界领先地位,但是对铁路安全及其可靠性的要求也逐渐地升高,目前,根据有关文献指出列车的主要故障来源于微机系统的故障,而机车控制电源作为机车控制的核心部件,其是否安全可靠运行直接影响到微机系统的正常工作,鉴于机车控制电源电路结构的特殊性以及在机车运行过程中的重要性,必须针对机车控制电源的故障,对其进行合理、有效、快速地诊断以减轻由控制电源故障带来的危害。本文针对机车控制电源的核心电路移相全桥变换器展开研究,首先介绍机车控制电源的结构与发展及其发生故障的原因,根据移相全桥变换器电路结构及其工作原理,依据机车控制电源的参数对其进行仿真,由于电路在实际工作过程中由于内部的非线性元件,其波形中会参杂很多噪音与谐波,因此在仿真过程中必须考虑此原因在仿真模型中加入噪音与谐波的仿真。然后利用“小波包算法与神经网络算法相互结合的能量特征值”的诊断方法进行仿真测试,指出传统的小波包变换在故障诊断中存在两点困扰:首先小波包对故障信号的分解层数过少时,故障信息不能够完全呈现出来;其次分解层数过大时,其特征维数过大使其在BP神经网络算法过程中训练时间和故障诊断的整个过程时间加大,严重影响其准确率。依据前面所述的两点问题本文所提出的改进,起初对信号利用小波包db3算法将其的高频部分与低频部分同时分解并进行多层次的分解以至于使故障信息彻底地呈现出来,但是在应用小波包算法理论中对于数据的分解,其形象的分解树的最底一层所包含对信息蕴藏的节点,其数目将根据分解树层次的增加,节点数将以指数级形式增长,倘若将这些最底层的代表信息的节点数作为神经网络输入的特征向量,则在神经网络算法中由于所参与的神经元数目庞大、结构复杂、难于收敛,最后使真个过程导致“维数灾难”的发生。因此通过对流形学习算法中Laplacian Eigenmap算法的改进对所处理的数据进行维数约简处理,通过流形学习算法使高维数据降维到“可视化”这一标准对样本数据降到3维,有效地解决“维数灾难”问题,但是对高维数据过度地降维使某些故障信息严重丢失从而影响故障诊断的准确率。根据过度降维这一缺点,对拉普拉斯特征映射算法进行改进,提出了基于马氏距离的拉普拉斯映射算法,解决了邻域选择问题使LE算法中的k具有自适应性,并且通过分形理论中关联维数的研究得出了对高维故障特征向量本征维数的估计,解决了流形学习算法中d选取的难点,从而达到对高维数据精确降维的目的。最后通过Matlab/Simulink软件验证本文所提出的诊断方法有效性和准确性。