风源系统作为列车制动设备的重要组成部分,在运行过程中会出现各种类型的故障。然而,现阶段针对这些问题的防范、预警与解决通常由人工操作完成,故障监测与诊断的及时性、准确性无法得到有效保证,常会导致不同程度的经济损失。因此进行相关方法的研究,从而减小故障出现的概率,极具理论意义与应用价值。基于此,本文完成了以下工作:1、经过对风源系统智能监测与故障诊断相关内容的发展现状调研,根据系统的工作原理和故障统计结果进行了机理分析,将常见故障归纳为漏风、油温高及漏油三大类,并提供了基本的防范控制建议。2、以漏风和油温高两种故障作为重点研究对象,给出了详细的数据采集方案,将其总体结构划分为采集终端、通信模块及监控中心三部分:对于采集终端,设计了以STM32F107VCT6为核心控制器,配合外围相关模块电路的硬件结构和嵌入式软件;对于通信模块,选用了基于TCP传输的GPRS/WiFi的远程通信方式,以I/O多路复用select作为网络通信模型,并自定义应用层通信协议;按照既定方案,成功采集到了漏风声音响度以及所需的温度数据,并传输至监控中心。3、研究了漏风故障的监测方法,从时、频域对漏风声音特征进行分析,通过语谱图把时域和频域结合起来,设定量化指标,制定故障分类分级原则,实现了智能监控、及时预警的目的,并减少了冗余工作量,提高了监控效率。4、探索了漏风故障的诊断方法,按照欠定盲源分离问题的处理思路,将诊断过程分解为两个子问题:源数目估计和源信号恢复。利用经验模态分解、奇异值分解与K均值聚类结合的算法,有效解决了因传感器数目有限而导致无法准确估计故障源数目的难点;通过模糊C均值聚类和最小化l₁范式的求解过程,做稀疏成分分析,计算得到了混叠矩阵,进而复原了信号,并最终完成了诊断任务。5、对于系统的油温高故障,明确了研究瓶颈在于油温数据难以及时准确测取,为此给出基于RBF神经网络的软测量方案,以易于得到的辅助变量为输入训练网络,建立起它们与油温的关系,并按照两种建模方式进行仿真实验,验证了方案的可行性及实用性,为今后的故障监控和诊断工作提供了参考。