高速列车凭借舒适、高效、便捷等特点，已成为我国城际间主流交通工具。牵引系统作为高速列车重要组成部分，其可靠性对于列车安全运行至关重要。随着列车在轨运行时间增长，牵引系统不同元器件老化将引发微小故障，继而影响列车的可靠性与安全性。如果微小故障在演变为失效之前能被成功检测与诊断，并采取必要维修措施，则可极大提高高速列车安全性。由于高速列车牵引系统是一类非线性且非高斯系统，且运行环境存在无法避免的时变干扰与噪声，故很难根据牵引系统运行机理建立其精确数学模型。当高速列车在轨运行时，牵引系统会产生海量实时数据，这些数据蕴含有丰富的信息，如牵引系统健康状况等。因此，本文根据列车在线与离线数据集，针对牵引系统的故障检测与诊断(FDD)问题，从数据驱动角度展开一系列的理论方法与实际应用研究。
　　针对高速列车牵引系统FDD问题，首先从技术层面总结现有方法，并将其分为三大类：基于信号分析FDD方法，基于模型FDD方法与基于数据驱动FDD方法。而后根据这些方法的工作机理与应用，归纳各类方法的优缺点。如何建立数据模型和如何构建统计量，是数据驱动FDD方法的核心问题。故本文从这两个角度，针对牵引系统FDD问题展开如下研究。
　　从数据分析与建模角度，针对如何精确提取牵引系统数据集的局部信息、故障信息和系统信息与噪声信息三个方面，提出精确数据建模的方法，进而设计牵引系统微小FDD策略；从构建统计量角度，考虑检测方法如何对微小故障特征敏感的难题，以及方法如何既对微小故障特征敏感同时对噪声鲁棒的挑战，进而设计牵引系统微小FDD策略。本论文主要创新点与贡献如下：
　　(1)根据牵引系统具有切换特点，设计多模态的数据驱动FDD策略。首先根据牵引系统的工作机理确定不同工作模态，并将原始数据集划分为多个子数据集；而后利用主元分析(PCA)与核PCA技术对局部数据进行特征提取；进而提出基于多模态主元分析(PCA)与基于多模态核PCA的牵引系统FDD方法。所设计FDD策略通过对数据集的精确建模，实现期望的故障检测性能。
　　(2)通过充分利用牵引系统离线故障数据集的概率信息，提出概率相关的FDD方法。该策略首先将离线数据集的故障信息转换为概率信息；而后基于所提取故障概率信息，构建可变的加权矩阵；最后通过将故障概率信息应用于故障检测与故障诊断阶段，提出概率相关的FDD方法。该方法属于非线性数据处理方法，但具有同线性方法同样高的计算效率。该FDD策略通过充分利用故障信息，来提高对微小故障的检测与诊断性能。
　　(3)针对牵引系统精确数据建模问题，提出基于深度PCA的FDD方法。首先，通过对原数 据多次分解，得到多个子数据集；而后利用PCA技术来提取测量信号中的系统信息与噪声信息；在此基础上，提出深度PCA的FDD方法，而后推导所设计方法故障可检测性的充分条件与必要条件并总结了其在牵引系统FDD应用中的适用性分析。该FDD策略不但挖掘原始数据集的系统信息，同时也提取隐含的噪声信息，进而通过精确数据建模来实现对微小故障检测与诊断性能的提升。
　　(4)针对牵引系统非高斯问题，提出基于Kullback-Leibler散度(KLD)的FDD方法。在基于对常用统计量缺点的探讨，提出用于检测微小故障的新统计量。并根据理论分析与证明，给出单变量与多变量形式下统计量的限制分布。在该策略中，通过引入两个非线性坐标变换，将非高斯信号转换为高斯信号，从而提高了方法计算效率。该策略通过对非高斯信号处理与微小故障检测的改进，实现算法计算效率与检测能力的提升。
　　(5)针对牵引系统运行时存在不确定性噪声问题，提出基于Hellinger距离的FDD方法。首先深入分析系统变化和不确定的噪声对信号造成的不同影响；进而，通过引入Hellinger距离构建新的统计量。该方法不但对微小故障具有较好的敏感性，同时对未知噪声具有满意的鲁棒性。基于所设计方法的统计量，不但通过理论分析严格证明其限制分布，并进一步给出解析形式的阈值以及完整的性能分析。
　　上述FDD方法均在牵引系统实验平台进行测验，以充分说明方法的有效性，并通过对比分析，验证方法的优越性。本文所提出的高速列车牵引系统微小FDD研究，不但拓展了数据驱动技术的应用范围，也为高速列车牵引系统FDD理论研究与应用提供了有价值的参考。