故障预测与健康管理在军事、核电等领域已经有很多研究和应用,但是对安全性和可靠性要求很高的高铁领域对故障预测与健康管理还需要进一步的深入研究。高铁装备的故障预测与健康管理技术通过检测和监测关键零件和部件的健康状态,评估已有的故障,给高铁装备的维修维护工作以辅助建议,这对避免灾难性的事故发生,确保高铁装备的安全和系统能发挥最大的效益具有重要的意义。基于此本文提出了一个通用的高铁装备故障预测与健康管理理论模型,并研究了高速动车组故障预测与健康管理健康分析中的两个重要问题:状态监测的特征提取和健康状态评估,并以轴承为实例进行了分析。探索构建适用于多种部件、系统和装备的通用高铁理论故障预测与健康管理模型,对于建立具体的故障预测与健康管理系统具有重要的理论意义和实际的指导作用。状态监测的特征提取结果是健康状态的一种有效表示,同时状态监测的特征提取也是健康状态分析任务的关键步骤之一。健康评估是指以一定的方法和措施来评价、评估高速动车组整体或部件所处健康状况以便于用户做出相应的运用或维修等决策工作。健康状态评估作为故障预测与健康管理中的关键技术是实现健康管理的前提和基础。本文以高速动车组牵引电机滚动轴承监测大数据为研究实例,用小波分析理论、动力学理论和人工神经网络理论为理论支撑,结合高速列车的实际应用建立模型,对滚动轴承的故障预测与健康管理进行研究。从高铁装备健康状态监测、健康状况评估的角度出发,解决了部分基于大数据的故障预测与健康管理理论与应用难题。本文取得的主要研究成果如下:(1)本文从高速铁路的角度出发结合开发故障预测与健康管理算法的实践初步提出了高铁装备故障预测与健康管理理论模型,并基于理论模型构建出高速动车组故障预测与健康管理功能模型和系统架构,以期为我国高铁故障预测与健康管理的健康发展提供理论参考和实际的指导。(2)最近,一些研究人员用组合方法,来提高状态监测精度。然而,对于计算效率和鲁棒性,并没有着重考虑。本文提出了一个双树复小波包变换和变分模态分解的特征抽取混合模型。这个模型把小波分析技术和变分模态分解整合在一个框架里。该模型尤其适合于监测强噪声背景下滚动轴承早期故障信号。在标准CWRU数据库上的实验和仿真实验检验了该模型监测滚动轴承早期故障的有效性。(3)本文提出了一种基于Tensor Flow的在线序贯极限学习机的健康状况评估组合模型。利用健康状况准确率指标来评价TOSELM算法的性能。为了验证所提出模型的有效性通过公共数据集和高速动车组牵引电机球轴承数据集用BP、ELM和TOSELM三个模型进行了多组实验,得到的结果表明,TOSELM模型是一种有效的轴承健康状态评估模型。所提模型能提高大数据背景下的计算效率和分析结果的可靠性。此模型解决了高速动车组牵引电机球轴承的健康状况评估问题,从而保障了高速列车运行安全。上述研究成果可应用于高铁装备的故障预测与健康管理系统和在途健康状态监测中,为进一步优化高速动车组状态维修策略提供技术支撑;对提高高铁装备的可靠性和安全性,降低运行维修的成本,具有重要的工程意义和理论价值。