伴随着中国高铁技术的突飞猛进,严重的交通事故也给中国铁路的发展敲响了警钟,与高速列车安全运行关系最为密切就是它的走行部。目前,国内还没有对高速列车走行部运行状况进行监测和诊断的系统,基于此,西南交通大学牵引动力实验室正在进行相关实验。实验中在高速列车的走行部上装有大量的不同类型的传感器,来采集列车运行过程中的振动信号,通过监测振动信号来确定走行部的运行状态。然而,如何将不同类型传感器采集到的信息进行数据融合决策诊断成为一个迫切需要解决的问题。本文提出一种基于GA-TS-BPNN和DS证据理论相结合的高速列车走行部故障诊断研究算法。本文首先简要地介绍了与走行部相关的动力学知识、实验的相关数据以及振动信号常用处理方法。在此基础上,详细介绍基于BPNN的高速列车走行部故障诊断模型,推导BPNN模型权值和阂值的更新公式；针对BPNN模型在高速列车走行部故障诊断中存在收敛速度慢和容易陷入局部最小值问题,构建了一种基于GA-BPNN的高速列车走行部故障诊断模型；最后,结合遗传算法(GA)和禁忌搜索算法(TS)各自的优势,构建了一种基于GA-TS-BPNN的高速列车走行部故障诊断模型。分别用三种诊断模型对高速列车走行部进行故障诊断仿真实验,结果表明基于GA-TS-BPNN的高速列车走行部故障诊断模型的诊断效果比较好。由于传感器的类型不同、所处的环境也各异,使得各传感器诊断的结果具有不确定性甚至是相互矛盾的,本文采用DS证据理论进行决策判断。针对经典的DS证据理论无法解决冲突证据的融合问题,在分析了现有的改进方法的基础上,提出一种新的基于证据距离加权的融合改进算法。算例表明,改进的方法能较好地解决冲突证据融合问题,并且计算的复杂度相对减小。在论文的最后,针对单个传感器对走行部故障诊断存在诊断精度不高的问题,进行了基于GA-TS-BPNN和DS证据理论相结合的高速列车走行部故障诊断建模与仿真实验。实验仿真表明,将GA-TS-BPNN和DS证据理论相结合,进行高速列车走行部故障诊断是可行的。