城轨列车作为一个高效、便捷的交通工具,越来越成为人们出行时的选择。因此,列车在轨道运行过程中的安全性和可靠性也要相应得到更多的重视。转向架作为列车整车部件中最重要的部件之一,它的性能好坏直接决定了列车的运行安全。论文重点分析城轨列车转向架故障形式及其原因,基于多体动力学SIMPACK软件平台建立城轨列车动力学模型,使用各种传感器获取得到与转向架性能相关的振动信号数据,通过对数据进行深层次的信息挖掘,建立以数据驱动的深度学习模型,达到对转向架性能状态诊断和预测的目的。因此,论文开展了以下研究工作:1)论文首先分析城轨列车转向架关键部件常见的故障形式和原因,基于SIMPACK软件对地铁机车进行建模仿真,并依据故障分析设置了5种单一故障和4种混合故障进行仿真实验。选用了14个时域特征统计参数、3个频域统计特征参数以及小波包分解得到的8维特征共计25个特征参数对信号数据完成故障数据预处理,为模型训练提供了数据集基础。2)基于深度置信网络建立了城轨列车转向架故障诊断的初步模型,从感知器和BP神经网络引出深度置信网络（Deep Belief Network,DBN）模型,系统分析DBN模型解决深度神经网络在反向传播算法中局限性问题,在实验阶段首先根据测量信号的多维度特征提取方法完成训练样本集以及测试样本集的构造,然后结合DBN模型验证该模型在诊断转向架故障的有效性。3)由于初步DBN模型训练结果并不理想,于是采用遗传算法（Genetic Algorithm,GA）和粒子群算法（Particle Swarm Optimization,PSO）分别对DBN网络结构优化,优化分为两部分:一是对于可见层输入特征维数的筛选,二是对于隐藏层神经元数目的自适应选择。采用遗传算法和粒子群算法优化DBN网络结构与传统经验DBN网络结构相比,不仅都做到了在预测正确率大幅度的提升,而且还降低了训练时间。4)针对粒子群算法优化DBN模型正确率不高的情况进一步改进了模型,对PSODBN模型优化主要从三个方面考虑:一是将遗传算法中个体的更新操作方法引入到PSO算法粒子的迭代更新过程;二是采用惯性权重因子优化原PSO算法中的速度更新公式;三是采用收缩因子优化原PSO算法;此外将集成学习（Ensemble Learning,EL）的思想应用于DBN模型优化中,提出使用多个DBN模型联合决策的方式,消除单一DBN模型决策过程中的偏差,达到转向架故障诊断的目的。5)通过Matlab编程实现对列车转向架信号数据进行实时诊断分析的功能软件,从功能上主要分为实时故障诊断功能模块和模型训练功能模块。在实时故障诊断模块,其主要功能将DBN模型作为核心算法对测量数据进行诊断识别,输出每种类型故障出现的可能性;在模型训练模块,考虑到列车运行过程中数据不断增多导致模型预测性能下降,通过相应参数的设置重新进行DBN模型训练从而更新模型,提高模型的泛化性能。论文进行了多种DBN模型训练,结果表明了基于DBN模型针对列车转向架故障诊断方法的有效性和合理性,为以数据驱动思想解决转向架故障诊断提供了一种新的研究方法。