牵引齿轮系统是机车传动系统的主要组成部分,其“健康状况”是保证行车安全的重要因素,而裂纹故障则是一种较为常见的齿轮早期故障。齿轮裂纹故障的有效识别对于避免故障进一步恶化甚至导致断齿等严重问题的发生具有一定的实际意义和工程应用价值,也可满足牵引齿轮视情维修的需要。鉴于目前主流齿轮类故障检测方法所存在的局限性(即仅利用系统响应作为研究对象,很少考虑激励对于故障特征提取的作用),本文从系统激励与响应两方面同时入手分析,挖掘牵引齿轮系统作为典型非线性系统所蕴含的动态特性,以便更为准确地提取其中的非线性特征,这有助于牵引齿轮裂纹故障特征提取与裂纹故障的有效识别。本文针对所研究的机车牵引齿轮系统,首先建立了其三阶离散时域Volterra级数模型,并阐明了基于Volterra级数理论的牵引齿轮裂纹故障诊断流程;同时,针对机车牵引齿轮的不同程度裂纹,也建立了相应的牵引齿轮系统的动力学模型,阐述了齿轮根部裂纹扩展方式的设定方法,以及啮合刚度与阻尼参数的计算方法;为牵引齿轮裂纹故障特征提取及仿真研究奠定了基础。其次,针对牵引齿轮系统Volterra级数模型时域核的辨识问题,本文对基本蜻蜓算法进行改进,提出了动态多子群协作蜻蜓算法(Dymatic Multiple Sub-population Collaboration Dragonfly Algorithm,简称DMSCDA)。具体改进措施为:采用混沌序列初始化策略提升群体初始随机性;采用动态多子群策略将不同素质个体进行归类划分,按照不同子群特性分配寻优任务,以提升整个种群的工作效率;引入更具弹性的边界个体处理方式以进一步提升种群个体利用效率。利用四种典型测试函数对DMSCDA性能进行仿真验证,结果表明:相较于标准粒子群算法(Particle Swarm Optimization,简称PSO)与基本蜻蜓算法(Dragonfly Algorithm,简称DA),DMSCDA在收敛精度、全局搜索能力以及算法稳定性方面均拥有一定优势。然后,本文以构建故障特征数据库为目的,研究了基于Volterra-DMSCDA的牵引齿轮裂纹故障特征提取问题。以SS7型电力机车为例在80km/h匀速运行时的牵引电机输出轴转矩为输入,采用Simulink为平台,本文对含不同程度裂纹牵引齿轮系统动力学模型进行仿真实验,得到从动齿轮轴垂向振动位移响应,并以此作为系统输出,从而获得用于辨识该车牵引齿轮系统Volterra级数模型时域核的输入/输出数据,并在此基础上,采用DMSCDA对该模型时域核进行辨识。通过对该模型一、二、三阶时域核的分布情况进行统计对比,得出结论:对于含齿根裂纹的牵引齿轮系统而言,仅靠一阶时域核并不足以体现出其内在的非线性特性变化,而二阶乃至三阶时域核则可以有效体现出不同状态下系统内部动态特性的变化,因此,本文同时以一、二、三阶时域核作为基础数据,构建故障特征数据库更为合理。最后,本文提出了一种基于DMSCDA-RBFNN的牵引齿轮裂纹故障诊断方法。分别构建了三种不同结构的RBFNN(Radial Basis Function Neural Network,简称RBFNN)故障分类器,并采用DMSCDA对其参数进行优化选择。利用牵引齿轮裂纹故障特征数据库中的数据对三种RBFNN故障分类器的性能进行测试评估后,得出结论:仅利用一阶时域核作为故障特征信息精度不高,难以用作可靠的故障诊断依据;而综合前三阶时域核作为故障特征信息,则可以取得令人满意的故障诊断效果。