随着自动化技术的不断发展,地铁车辆运行更加快速、准时、便捷,已经成为各大城市人们出行的主要交通工具,因此必须保持地铁车辆长期稳定的运行状态。牵引控制单元(TCU)是地铁车辆最关键的单元之一,当牵引控制单元发生故障后,对其进行精准的故障诊断,找到故障发生位置,给出维修意见至关重要。本文研究了地铁车辆牵引控制单元故障诊断,具体工作包括：(1)选取多分类支持向量机作为基本故障诊断器。地铁牵引控制单元结构复杂,且很难得到其精确的数学模型。基于支持向量机(SVM)的故障诊断方法可以在系统模型未知情况下进行故障诊断,针对样本量少、输入量维数高的故障诊断问题中表现出优异的性能,适合于TCU的故障诊断。SVM不仅克服了神经网络需要大量训练样本的缺陷,而且最终将收敛到全局最优解,避免得到局部最优解。(2)提出用改进粒子群算法优化支持向量机参数的方法。SVM的惩罚因子C和核函数参数σ对分类精度影响很大,随机试验法费时且不一定能得到最优的参数组合。本文提出了用IPSO自动选择C、σ的方法。在基本PSO算法中加入粒子平均分布策略、自适应惯性权重,并在优化过程中加入了过早停滞计时器,有效判断种群是否陷入了过早停滞状态,帮助种群跳出局部最优。(3)基于某城市地铁6号线运行数据进行故障诊断效果验证。考虑到故障发生频率、故障的重叠关系等多方面因素,本文选择地铁牵引控制单元的9种故障作为故障诊断输出,11个牵引控制单元相关变量作为分类器输入。整体故障诊断准确率为93.07%,验证了本文的IPSO-SVM方法对TCU故障诊断的有效性和适用性。