机车故障诊断机车检修当中的重要环节,机车齿轮箱又是机车传动部分的核心部件,齿轮箱的状态良好与否直接决定着机车运行质量的高低,因此对机车齿轮箱故障进行精确诊断已成为现在铁路行业迫在眉睫的需求。将机车齿轮箱故障的油液分析结果与振动分析结果相融合进行故障诊断,是提高机车齿轮箱故障诊断精确度的一种新的趋势。人工智能的研发与应用是各个行业的发展趋势,铁路机车故障诊断也不例外。具有强大的自学习能力、自适应性能力、容错能力以及对非线性问题处理能力的BP神经网络与具有对模糊信息与不稳定信息处理能力的D-S证据理论是人工智能机器学习算法中的典型;将神经网络与证据理论结合使用可以达到优势互补,在机械故障诊断中有很大的应用前景。本文当中,在使用油液诊断技术与振动诊断技术时,首先使用BP神经网络分别得到油液诊断结果与振动诊断结果;然后利用D-S证据理论将得到的结果进行决策级融合,最终得到更加精确的诊断结果。论文在深入了解机车齿轮箱的结构、材质以及故障机理的基础上,主要工作及结论如下:第一,利用原子光谱技术与直读铁谱技术,提取出不同故障模式下齿轮箱油液中磨粒元素的种类与大小;根据得到的油液数据建立改进算法的BP神经网络模型,利用该模型得到诊断结果,从结果可以看出,油液方法对齿轮的齿根裂纹故障无法准确判断。第二,得到齿轮箱各故障模式下的振动数据,对数据进行去除趋势项、降噪处理,提取故障数据当中的时域参数与频域参数,利用得到的数据建立改进算法的BP神经网络模型,得到三个振动子网络的输出结果,结果显示对齿轮箱正常状态与轴承故障出现了误判的现象,并且对齿根裂纹故障的识别出现一定的模糊性。第三,首先利用D-S证据理论将振动数据进行融合,从融合结果来看:虽然未发生误诊与漏诊现象,但是对故障的支持度较低,不确定度较高;然后将得到的初步融合结果与油液神经网络得到的结果进行决策级融合;最后得到融合诊断结果,从最终结果来看诊断的不确定度有明显的下降,整个故障诊断中没有出现误诊现象,诊断的精确度也得到了很大的提高。