轮对作为铁路列车的核心部件,其健康状态对列车运行安全至关重要。轮对长时间处于恶劣的工况中,持续承受交变载荷的影响,极易萌发疲劳裂纹等故障。若不及时发现和排除轮对裂纹故障,持续的裂纹扩展可能会导致车轴断裂,威胁列车的安全运行,造成人员伤亡和财产损失。因此,在列车的运行过程中,开展轮对裂纹等故障的在线检测,实现轮对故障类型的诊断和裂纹参数的定量识别,对提高铁路列车的安全性能有重大意义。本文以某动车轮对为研究对象,基于有限元方法建立了轨道随机不平顺激励下的裂纹轮对模型,研究了裂纹参数对轮对振动特性的影响。利用Light-GBM算法诊断了轮对的故障类型,并开展实验验证。最后提出了一种基于Kriging代理模型和三代遗传算法的轮对裂纹参数识别方法。对整车进行多体动力学简化并使用Simpack建立了车辆-轨道动力学耦合模型,计算了轨道随机不平顺特征曲线。基于Abaqus建立了轮对有限元模型,利用接触关系模拟了裂纹的呼吸作用,通过对比自由模态振型和固有频率验证了模型的正确性,并仿真求解了轨道不平顺激励下的裂纹轮对振动响应。研究了轨道不平顺激励、裂纹深度、裂纹位置和轮对运行速度对轮对振动响应特性的影响。结果表明,裂纹轮对振动信号频谱图中包括1X、2X、3X等谐波成分,轨道随机不平顺激励会使超谐成分幅值增大。1X成分可准确反映裂纹深度的变化,可用于诊断裂纹损伤程度。再者,靠近车轮位置的裂纹会引起较强的轮对振动响应,1X、2X成分对裂纹的位置参数敏感。最后,轮对的运行速度越高,越利于诊断裂纹,当轮对运行速度大于300km/h时,通过1X、2X谐波成分均可实现裂纹损伤程度的诊断。建立了车轮扁疤和车轮不圆顺故障的动力学模型,分析了两种故障对裂纹诊断的影响。使用Light-GBM算法对轮对的故障状态进行诊断分类。结果表明,车轮扁疤和车轮不圆顺会引起裂纹轮对振动信号谐波成分的显著改变,影响基于振动信号的裂纹检测。基于Light-GBM算法的轮对故障诊断方法在提高诊断效率的同时,故障识别率达到97.4%,并通过轮对故障实验台对该方法的准确性进行了验证。针对实际运行工况中的轮对裂纹参数识别问题,使用Kriging代理模型建立了裂纹位置、深度参数和轮对振动响应1X成分幅值的数学关系。将轮对裂纹参数的识别问题转换为改进的多目标优化问题,使用三代遗传算法寻找最优裂纹参数。结果表明,利用代理模型可准确预测轮对振动响应,代替耗时的有限元仿真过程。对适应度函数的改进从速度和精度两方面优化了裂纹参数识别过程。通过验证,基于该方法可准确识别裂纹位置,同时对深度参数的识别精度达到96.84%。本文研究工作为轮对故障的在线检测提供了新的思路和理论依据,能够实现实际运行工况中的轮对故障状态诊断和裂纹参数识别,具有一定的工程意义。