近年来,我国高速和重载铁路得到了飞速发展,其中高速铁路在推动我国“一带一路”建设中发挥着至关重要的作用。牵引变压器是高速铁路牵引供电系统的核心设备,为实时掌握其运行状态,除日常定、巡检和预防性试验外,大量在线监测系统装设并投运。如何利用监测过程中产生的大量数据,并结合相关试验测试与大数据分析技术,从中提取有效反映牵引变压器绝缘老化和故障的特征,实现其状态的评估、诊断和预测,具有重要的理论研究意义与工程实用价值。本文首先开展了绝缘纸加速老化试验,采集了不同老化阶段的绝缘纸微观图像,引入纹理分析技术构造了不同纹理特征,采用相关性分析、主成分分析(PCA)技术从中提取了反映绝缘纸老化的特征量,并采用多元线性回归分析建立了不同纹理特征与绝缘纸聚合度的对应关系。基于监督和半监督学习的验证结果表明,纹理特征可对变压器绝缘老化状态有效表征,基于光学图像的纹理分析技术是一种有效的非侵入无损检测方法,为采用图像大数据分析实现变压器老化状态评估提供了技术参考。然后,根据变压器的各种状态检测信息和统计数据,基于Bayesian网络与信息融合理论,参照IEEE故障树模型,构建了用于牵引变压器老化状态评估的多层Bayesian网络模型;提出采用状态监测数据的统计结果确定网络数据层各指标的先验概率,采用PCA并结合专家经验确定Bayesian网络的条件概率表和联合概率分布。该模型在有效利用牵引变压器各种状态检/监测数据的同时,不仅以概率型健康指数实现了其健康状态评估,而且可利用状态检测大数据对其视在寿命进行计算。同时,采用大数据清洗技术,对牵引变压器绝缘状态监测大数据进行预处理,采用人工神经网络和支持向量机进行了故障诊断,在此过程中,发现样本数据不均衡或同一样本不同维度数值数量级差别大是造成误诊的主要原因。为此,一方面提出了采用合成少数类过抽样技术均衡样本数据分布,并利用反正切变换对样本数据进行预处理;另一方面提出了采用自适应极限学习机,利用其对任意非线性函数的强拟合能力进行故障诊断。结果表明,所提方法能够改善待诊断数据的结构并可有效避免诊断过程中的过拟合问题,从根本上提高故障诊断准确率。最后,针对传统IEEE/IEC模型、动力学模型和Monte Carlo方法在变压器剩余使用寿命(RUL)计算过程中过于依赖油温和绝缘纸聚合度数据,难以实现RUL一步乃至多步预测的不足,提出采用非线性状态方程表征变压器绝缘老化的动态过程,以不同状态检测数据为观测变量,结合IEEE/IEC模型和动力学模型构建了测量方程,从而建立了用于牵引变压器RUL预测的状态空间模型,并采用粒子滤波对模型进行了求解。现场实测数据和试验模拟数据均验证了该模型用于RUL预测的可行性和有效性。