随着中国高速铁路运行速度和运营里程进一步提升,人们对列车在运行过程中安全性与稳定性提出更高的要求。因此,如何更加高效地对列车进行安全监测和健康评估已经成为学者研究的重要课题。转向架作为轨道和车体间唯一的连接部件,其健康状况与列车的安全运行状态息息相关。由于转向架故障机理复杂,故障特征难以可视化,应用传统的诊断方法提取到关键故障信息有一定难度。因此,研究一种高效的列车转向架故障诊断方法具有重要意义。本文主要针对高速列车转向架关键部件的故障,提出基于Dense Net(Dense Convolutional Network)的智能故障诊断模型。主要内容如下:首先,对转向架及其相关研究进行详细阐述,从不同维度介绍转向架关键部件,并介绍基于SIMPACK的转向架仿真方案和故障数据。进一步通过对仿真数据进行时频域变换分析和EEMD(Ensemble Empirical Mode Decomposition)分解,掌握数据间的内在联系。为后文的理论依据打下基础。其次,搭建基于GRU(Gated Recurrent Unit)网络的高速列车转向架故障诊断模型,利用该模型对时序数据较强的处理能力,构建信号特征与故障模态间的非线性映射关系。针对原始的时域信号,此模型能够实现多通道特征自主融合,在不同速度下对单拆故障都具有良好的分类效果。上述模型仅仅针对时域数据进行特征提取,而忽略频域中的关键信息。为了进一步充分挖掘故障数据信息,提出结合时频域两个维度的双域融合Dense Net(DDFDense Net)模型,相比于传统的单域特征提取模型,此模型能在联合时频域表征的新信号中提取复杂抽象的高维特征,从而更深刻地理解故障信号本质。针对部件单拆故障和损坏部件类型识别两个任务,均有优异表现。随后针对高速列车转向架部件性能蜕化故障,搭建基于分类算法的双域融合网络模型,在不同速度下对转向架两个关键部件展开蜕化程度评估及预测,并通过多个评价指标来评估模型性能。最后,对本文提出的采用时域和时频域数据的故障诊断模型分别进行归纳,综合两种模型的结果展开讨论,同时对下一步的研究方向进行展望。