柱塞泵是铁路道岔转辙机液压系统的重要动力元件,柱塞泵的运行状态影响到道岔转辙机能否实现正常的转换功能。由于转辙机柱塞泵一般工作在复杂的工作环境中,导致容易发生故障,轻则会引起转辙机柱塞泵的振动加大、出现泄漏现象,影响工作效率重则会对整个铁路安全造成严重后果,因此对转辙机柱塞泵的故障诊断研究具有重要的现实意义。转辙机柱塞泵的各类信号中都蕴含着丰富的能够反映柱塞泵运行状态的信息,通过对这些信号的分析,可以对转辙机柱塞泵进行准确的故障诊断。因此本文以建立转辙机柱塞泵故障诊断系统为目标,通过对转辙机柱塞泵故障诊断的方法研究,提出基于单一振动信号的转辙机柱塞泵的故障诊断方法和基于多传感器信息融合的转辙机柱塞泵故障诊断方法,最终实现对转辙机柱塞泵的准确诊断。在分析了转辙机柱塞泵的结构及工作原理的基础上,对转辙机柱塞泵的故障形式与故障原因进行了详细分析。搭建了转辙机轴向柱塞泵故障诊断试验平台并分别介绍了各传感器安装位置及测试方式,获得了多种工况下转辙机柱塞泵的试验数据,为故障诊断方法的研究提供了数据支持。针对转辙机柱塞泵工作机理复杂、振动信号故障特征不明显的问题,减少强背景噪声对诊断精度的影响,提出了结合改进的自适应白噪声完备集成经验模态分解法（ICEEMDAN）和优化精细复合多尺度散布熵的特征提取方法。该方法能够对原始信号进行深层次的尺度划分,提高不同信号分量之间的识别精度,可有效的提取出信号的故障特征,并且可以有效的识别复合故障。进行了转辙机柱塞泵故障分类模型的研究,在对核极限学习机原理分析基础上,将算术优化算法（The Arithmetic Optimization Algorithm）用于核极限学习机（KELM）的参数选择,建立了AOA-KELIM模型。将此模型应用到转辙机柱塞泵的故障诊断中,并与传统的ELM、PSO（粒子群优化算法）-KELM、HHO（哈里斯鹰算法）-KELM等多种算法进行比较,分别对正常状态、柱塞球头磨损、配流盘磨损、柱塞球头磨损+配流盘磨损等6种工况进行了有效的识别分类,实验结果表明,AOA-KELM算法具有诊断精度高、训练时间短的优点。将多传感器信息融合技术应用到转辙机柱塞泵的故障诊断方法中,充分利用转辙机柱塞泵的多传感器信息,数据层采集转辙机柱塞泵的壳体振动信号、油压信号、声压信号、电机电流信号、转速信号,分别进行特征提取并进行归一化处理;特征层使用AOA-KELM模型分别进行局部子网诊断;使用D-S证据理论对特征层得到的各子网诊断结果进行决策级融合判决,大大提高了故障诊断的准确性。