随着铁路系统智能运维的推进,对浪涌保护器进行在线状态监测以及剩余寿命预测的需求已日益迫切。铁路浪涌保护器是一种应用数量巨大的雷电防护设备,在铁路雷电防护场所承担着吸收浪涌、保护设备的作用。压敏电阻是铁路浪涌保护器的核心器件,在浪涌防护的过程中伴随着自身劣化。铁路浪涌保护器寿命预测研究的关键点是压敏电阻劣化过程的描述研究,对压敏电阻开展剩余寿命模型研究十分必要。首先,本文执行了压敏电阻的劣化探究实验。在实验室采用8/20μs的浪涌冲击压敏电阻,直至其完全损坏。采集了压敏电阻在整个寿命周期中的14种电参数、残压波形和表面温度,并将这些参数的变化趋势进行了分析。分析结果表明,14种电参数能够表征压敏电阻的劣化,但是参数之间不独立、可合并,在使用时需要对其进行筛选。然后,根据劣化探究实验的结果,筛选了5种劣化敏感参数。以5种参数为输入,采用机器学习中的k最近邻和线性回归算法,构建了压敏电阻的剩余寿命模型。k最近邻算法用于判别压敏电阻损坏与否,线性回归算法输出压敏电阻的剩余寿命值。接着,采用实验数据对模型进行了测试。测试结果表明,该模型对压敏电阻的劣化过程刻画良好,但是机器学习的方法对数据具有严重的依赖性。最后,结合压敏电阻经受的历史浪涌、自身特性参数以及筛选的劣化敏感参数构建了表征压敏电阻保持健康状态程度的劣化核。依据随机过程理论,以劣化核为统一输入,分别采用马尔科夫链和伽马过程构建了两个压敏电阻的剩余寿命模型,并分析了模型中关键参数对输出结果的影响。用冲流幅值随机的50次8/20μs浪涌测试了两个模型,并进行对比。对比结果表明:两个模型都能刻画压敏电阻的劣化过程。基于马尔科夫链的模型具有清晰的物理概念,计算量小,在中期和后期劣化的速度一致;而基于伽马过程的模型在中期劣化速度较缓,后期劣化较剧烈,变化趋势更贴近于实际经验情况,但计算量较大。考虑现场监测装置计算资源的限制,采用基于马尔科夫链的寿命模型是一种经济和安全的选择。