目前,机车检修部门仍然采取基于本地技术和经验的传统设备维护模式。该模式工作效率低下,无法满足铁路设备高效化与智能化的要求。本文围绕铁路自动化设备健康管理的关键技术,将压装机位移测量系统中故障率较高的磁栅传感器作为研究对象,在现有资源和设施条件下,对磁栅的结构组成与故障模式进行了较为深入的研究和分析。综合利用数据处理及分析技术,结合数理统计方法构建系统故障状态自学习模型,实现对磁栅运行状态的识别及预测。本文研究工作的具体内容如下:(1)深入分析了轮对压装机位移测量系统中磁栅的常见故障形式以及故障机理,用电路输入输出信号的变化反映磁栅外部磁场的变化与读数头内部电路元件故障。借助于专家知识库、失效分析模型及数据分析技术,推断出磁栅常见故障的诱因。仿真分析了磁栅结构中易导致其失效的外部磁场变化以及内部电路元件故障对磁栅传感器的影响。(2)运用基于空间距离的相似度方法对故障数据进行了处理,依据非正常状态与正常状态输出信号间的空间距离值对磁栅电路故障表中输出贡献率低的故障因素进行了分离。通过建立电路约简故障表,实现了对磁栅传感器故障元件及故障数的高效约简。(3)借助小波分解的方法对输出信号中的高频干扰信号进行了分解过滤,实现了信号的降维去噪。提取了分解后信号的高低频能量系数,并作为信号的降维特征矢量。同时,通过比较同一信号在不同小波基下的分解结果和同一小波基下的分解重构结果,对所选小波基的合理性以及分解结果的准确性进行了验证。(4)基于隐马尔可夫模型构建了磁栅电路的健康管理框架,依据电路状态转移的不可逆性选取了马尔科夫链形式。根据K-Means聚类算法对特征矢量数据进行聚类分析,得到了不同状态下的观测状态符号集,并依据B-W算法和前向后向算法完成对模型的初始化和训练。为了得到可靠的识别效果,利用部分仿真数据对模型的识别预测效果进行了步分析,并通过搭建磁栅电路数据采集试验平台,利用实际采集的故障数据对模型识别预测的准确性和时效性进行了验证。