本文针对高速动车组齿轮箱的润滑油检测数据,采用基于性能退化数据的可靠性研究方法对高速动车组齿轮箱的可靠性进行了研究。并用机器学习算法拟合铁元素规律,预测齿轮箱的健康状态。首先,本文通过绘制油样运行里程-铁元素含量散点图和列车运行里程-铁元素含量散点图;计算油样运行里程-铁元素含量之间的的Spearman秩相关系数、显著性水平和列车运行里程-铁元素含量之间的的Spearman秩相关系数、显著性水平,可以证明:油样运行里程和铁元素含量、列车运行里程和铁元素含量之间的正相关性是显著的,并且油样运行里程和铁元素含量之间的相关性更强。其次,本文利用Wiener过程的首达时间服从逆高斯分布的结论来建立首达时间的概率分布,分别建立漂移参数和扩散参数均为常数的Wiener模型和漂移参数为随机数扩散参数为常数的Wiener模型。采用极大似然法分别给出2个模型的漂移参数推断的公式和扩散参数的推断公式。通过对2个模型的可靠度函数进行分析发现如下规律:2种模型的可靠度函数和失效分布函数的变化情况是相似的,失效阈值为120ug/g时,可靠度快速下降;失效阈值为350ug/g和500ug/g的情况下,累积失效概率和可靠度是先缓慢变化,然后剧烈变化。再次,根据Gamma过程的首达时间的性质给出齿轮箱失效分布函数和可靠性函数,利用矩估计的方法给出了形状参数和尺度参数估计值的计算公式;通过对可靠度函数进行分析发现:失效阈值为120ug/g时,可靠度快速下降至一个较低的值;失效阈值为350ug/g和500ug/g的情况下,累积失效概率和可靠度是先缓慢变化,然后剧烈变化。根据可靠度函数的变化规律确定40万km换油。最后,分别采用支持向量机、人工神经网络和随机森林这3个不同的机器学习算法来拟合对铁元素含量。并采用k折交叉验证方法来对模型的参数进行优化,最终使训练集和测试集的模型误差同时达到最小。结果表明随机森林模型的训练集误差和测试集误差都是最小的,因此随机森林模型是最适合本数据模型的。将随机森林模型推广到预判齿轮箱润滑油状态上进行应用。本文通过对高速动车组齿轮箱润滑油成分进行建模分析并且对可靠度函数的分析得到了在40万km进行换油的建议,与现行的换油规定相吻合。本文所采用的的方法、模型完全能够适合高速动车组齿轮箱的可靠性建模。