燃料电池系统作为混合动力有轨电车的主动力源,其寿命、性能及运行状态都直接影响着其商业化发展,而有效的故障诊断方法可以及时定位和排除运行时发生的故障,从而使燃料电池系统保持良好的运行状态,并一定程度上保证其安全性与可靠性。本文以课题组与中车唐山机车车辆有限公司合作研发的燃料电池/超级电容混合动力有轨电车为对象,基于有轨电车实际运行数据,开展了燃料电池系统故障诊断研究。考虑到原始数据具有数据量大、特征维度多以及特征相关性强等特点,将深度学习的方法引入到该故障诊断领域,分析了深度学习对于有轨电车燃料电池系统故障诊断的适用性。首先,本文对所研究的有轨电车及其燃料电池系统的参数与结构进行了介绍,基于采集的燃料电池运行数据分析了系统不同故障类型的特点。由于故障样本的选择对故障诊断结果有一定的影响,因此本文从原始的二十多万组数据中筛选了多种不同的故障样本,并根据数据特点对数据进行了预处理。其中样本一主要用于研究深度学习方法的性能,样本二以及样本三分别为不平衡样本与高关联性样本,主要用于研究深度学习对于复杂样本进行故障诊断的方法与效果,使得研究结果更可靠与更全面。其次,本文基于数据驱动的方法分别构建了深度置信网络与深度卷积网络这两种深度学习方法的故障诊断模型,通过将这两种故障诊断模型对样本一进行故障诊断,分析其不同网络结构与参数对于故障诊断模型准确度的影响,对比不同的故障诊断效果得出两种方法的最佳故障诊断模型,结果表明两种深度学习的方法都能取得很好的效果,而深度置信网络比深度卷积网络分类准确率高。此外,本文还通过特征选择的方法分析了不同的特征组合对于故障诊断结果的影响。研究结果与支持向量机进行对比,结果表明两种深度学习方法对于该故障诊断领域更具适用性。最后,为了研究所采用的故障诊断模型的实用性,本文针对不平衡样本进行处理,对所构建的深度置信网络提出了改进方法,使用该方法对样本二进行故障诊断,结果表明改进的方法可以有效地提高不平衡样本的分类准确率。并且基于样本三研究了所构建的两种深度学习故障诊断模型对于高关联性样本的故障诊断性能,结果表明两种方法都能有效地对复杂样本进行分类。