随着列车轮对系统智能化不断升级改造,列车轮对监测数据的数量及种类已开始呈现出爆炸式的增长趋势,列车轮对故障诊断正迈入大数据的时代,而如何在杂乱无章的列车轮对监测数据堆中迅速收集并整理出对故障诊断有用信息,是目前列车轮对故障诊断面临的巨大挑战。大数据分析技术在列车轮对故障诊断研究中扮演着重要角色,它可以把诊断对象来自多方面的监测数据综合有效地融合在一起,实现对杂乱无章的列车轮对监测数据整理并得出关于诊断对象更详细、全面的分析,使故障诊断结果更加准确。同时大数据的存储、处理技术的成熟发展,为基于大数据分析的列车轮对故障诊断方法研究提供了新的机遇。本文首先简单说明了列车轮对大数据的分布及其特点。随着愈来愈多的先进传感器的普及,产生的海量监测数据需要综合处理后才能为列车轮对运行状态做出精确的故障诊断。在三维信息空间基础上将大数据分析结构中的数据层、特征层及应用层与列车轮对系统中的传感测量层、数据管理层及运用层一一对应,搭建一个多层模式下的列车轮对系统大数据多源数据融合处理方案。本文其次针对传统BP神经网络融合算法在处理大规模数据集时存在数据融合效率低、数据处理时间长等不足,提出了改进的数据融合算法,同时为实现及时对海量列车轮对监测数据处理,将改进的数据融合算法与大数据分布式计算框架相结合,以便于对大规模数据集进行及时处理,满足列车轮对故障诊断实时性需求。本文最后以Hadoop为基础搭建了列车轮对故障诊断实验平台,对列车轮对故障做实验分析,将列车轮对历史监测数据作为源数据,并将其分为几组容量不同的数据分别进行实验,通过对F1-score、精确率、召回率、准确率、标准误差和平均绝对百分误差六个方面的实验结果做对比,表明本文基于Map Reduce的并行融合处理(MR-PFP)算法与传统算法相比其故障诊断结果更加精确,出现误诊和漏诊的情况更少,在处理大规模列车轮对监测数据集时优势更明显,更能满足列车轮对故障诊断系统对快速性诊断的需求。本文针对列车轮对监测数据融合技术展开系统研究,把结构不统一且种类繁多的监测数据进行归类融合,并通过对传统数据融合算法的改进,将数据融合技术与大数据分析技术相结合在对列车轮对做出故障诊断的同时将诊断结果可视化展示。本文通过基于大数据分析的列车轮对故障诊断方法研究及相关的实验结果分析,对今后列车轮对故障诊断意义重大,为在大数据背景下的列车轮对故障诊断探索了一条可走的道路。