随着我国高速列车快速发展,高速列车安全性越来越受到人们的重视和关注。与列车运行联系最为密切的是列车的走行部。因此,为了确保高速列车的安全运行,对列车的走行部进行监测及故障诊断就显得尤为重要。实验中在列车的车体、轴箱和构架等部位装有大量的多类型的振动传感器,用来采集列车运行过程中的振动数据,通过监测这些振动数据来确定走行部的运行状态。然而,如何快速地高效地从这些海量振动数据中提取特征并进行故障诊断是一个需要解决的难题。一方面,深度学习是最强大的数据特征表达技术之一,并且深度信念网络(DBNs)作为构建这种深层结构的先驱,它近似一个高度复杂的非线性特征提取器,每个隐藏层从输入数据中学习获得高阶相关性特征,并为解决深层结构相关的优化难题带来了希望,在处理数据结构高度复杂、数据量大等数据处理方面表现优异。本文首先分析了几种工况下振动信号的时域和频域特性,在此基础上,提出了一种基于FFT-DBNs的高速列车走行部特征提取及故障诊断方法。我们的方法能够从振动数据中自动提取高层特征并进行故障诊断。它先对振动信号进行FFT处理,得到的频谱系数用来初始化DBNs的可见单元,并逐层训练RBM,当整个DBNs训练完成之后,标签层连接到DBNs的最顶层用来进行故障识别。实验表明基于FFT-DBNs的特征提取及故障诊断方法效果优于传统方法。然后,在DBNs原理基础上,结合KNN的优势,在每一隐藏特征层上求未知样本的K近邻,提出了一种基于K-DBNs的深度学习算法,并进行故障诊断仿真实验。最后,介绍了优化深度网络每一层方法,并进行了基于改进深度学习算法的列车走行部故障诊断仿真实验。另一方面,由于传统的信号分析方法在分析处理这种大规模增长的振动数据会遇到非常大的困难,而云计算是一种基于互联网的计算方式,在大数据计算和网络存储方面具有卓越的性能表现。在Hadoop平台上,基于Spark实现的振动数据分析及处理方法,利用大规模集群分布式处理任务能力,和具有很好的容错性、自动均衡负载等特性,来解决高速列车振动数据处理过程中处理速度慢,原始振动数据使用不完全等问题。本文实现的基于Spark的振动数据特征提取及故障诊断方法在Hadoop平台上进行了算法并行效率实验。实验结果表明,本论文设计的并行算法性能良好,能处理大量振动数据分析任务。