随着中国城市化进程的加快,以及以公共交通为导向的城市发展模式的兴起,城轨列车作为主要的运输系统,其安全性和稳定性与人民的生产生活和国家的经济发展息息相关。保障城轨列车运行的安全性和稳定性对于维护国家和社会的健康发展具有重要意义。故障诊断作为城轨列车健康管理体系的重要组成部分,能够对城轨列车的健康状况进行评估,也能够对相关的维护和维修工作进行指导,它的使用是保障城轨列车高效稳定运行不可或缺的重要手段。而在城轨列车故障诊断领域中,转向架一直以来都是首要研究的对象。转向架作为城轨列车的重要受力部件,是最易产生磨损并发生故障的部件之一,其运行状态直接影响着城轨列车的安全性。因此,对城轨列车转向架进行故障诊断可以很好城轨列车的安全平稳运行,对保障人民的生命财产安全,提高经济社会的运行效率有着重要意义。因此,本文以城轨列车A2型子弹列车的转向架作为具体对象进行故障诊断方面的研究,并最终形成了基于子信号趋势分析和固定字典极限学习机的转向架故障诊断方法。具体研究过程总结如下:（1）本文首先分析了城轨列车变速度情况以及低信噪比环境对传感器振动信号造成的影响,并使用MATLAB软件进行了模拟。在模拟中发现,来自于变速度以及低信噪比的影响,会使信号的时频域特征产生较大的改变。这种改变将导致现有的时频域信号分析方法的效率降低。并且,诸多学者们在这些方法中所进行的降噪以及波形分解的改进也会因为波形特征的改变而效果变差,并造成算力的大量浪费。（2）为解决这一问题,本文首先对奇异值分解进行了改进,提升了它对低信噪比信号的微弱故障特征的提取效果。在改进研究中,本文分析了物理领域最近发现的描述了特征矩阵元素间内在联系的公式。该公式被学者们通过谱定理进行了更进一步的推广,能够在正规矩阵中使用。本文依照该公式,对奇异值分解进行了更进一步的推导,对隐藏在左右奇异值矩阵中的特征信息进行了有效利用,从而形成了奇异值完全分解算法并用于特征提取。（3）随后针对城轨列车变速度以及传感器采样频率限制导致的波形畸变问题,本文在奇异值完全分解算法的基础上提出了子信号趋势分析算法。该算法首先将信号分解为高低频两个部分分别进行研究,随后利用上下包络线拟合的方式对波形趋势进行还原。之后在处理过的波形中,寻找与机械旋转周期变化一致的周期性波形进行分析,并使用奇异值完全分解算法完成特征重构。该算法有较强的抗波形畸变能力,以及抗噪声干扰能力。此外,该算法整体结构极为精简,算法运行速度极快。实验中,在信噪比低至10d B以下的信号中,该算法能以秒级的处理速度获取到辨识度极好的特征。并且,在基于极限学习机的分类测试中,由该算法获取到的特征比变分模态分解,经验模态分解,集合经验模态分解和局部均值分解分别配合奇异值分解获取到的特征,在最高识别精度方面高出16%-53%。（4）最后在模式识别部分,为解决极限学习机由于局部最优化而导致的识别精度大幅度波动的问题,提升极限学习机训练效果的稳定性,从而满足城轨列车转向架故障诊断对算法鲁棒性的要求。本文在分层极限学习机稀疏化编码以及核奇异值分解的字典学习的思想基础上,设计了新的自动编码方式并提出了固定字典极限学习机算法。该算法取消了极限学习机的偏置量矩阵,并通过经验公式对权重矩阵进行赋值,极大地提高训练效果的稳定性。并且相较于原始算法,该算法在训练速度和识别精度上均有明显的提升。在和原始极限学习机,分层极限学习机以及支持向量机的对比实验中,它能以极快的训练速度获取比对比算法高出1.5%-12%的识别精度,并且和支持向量机一样,能够保证算法训练效果的稳定性。