随着高铁时代智能铁路概念的推动与发展,信息化已渗入动车组的全生命周期,动车组运用与检修的相关信息系统得到了不断建立与完善。在铁路装备维修理论发展变革的背景下,目前预防性维修正从计划预防修发展过渡至视情维修,要求运维人员充分利用动车组过去与现在的运维数据进行分析,结合故障预测与健康管理技术,有效估算关键部件的性能状态与寿命趋势,满足动车组智能化检修的要求。容量为蓄电池性能的直接表征指标之一,容量的当前值与变化趋势分别对应蓄电池当前的健康状态及寿命发展趋势。本文以动车组的关键部件蓄电池为研究对象,利用蓄电池相关监测数据,在线预测蓄电池的容量及容量退化趋势,旨在了解蓄电池寿命状态,实现维修策略的优化,降低维修成本,找到经济性与可靠性的平衡点。结合动车组运行时蓄电池的实际工作情况及数据特点,本文主要研究了以下问题:(1)考虑蓄电池容量恢复效应与外界环境影响,提出用新的间接健康因子建立与电池寿命状态的关系模型,解决在线蓄电池容量无法测量的问题。针对传统相关向量机(Relevance Vector Machine,RVM)的缺点,利用混合核函数改进RVM的学习能力与泛化能力。利用布谷鸟搜索(Cuckoo Search,CS)算法对RVM的核参数自动搜索,并对CS算法设计一种优化的边界约束,结合混沌思想动态改进其收敛速度。利用设计的ICS-HKRVM提高蓄电池容量在线估计的精度。(2)对蓄电池容量的衰减趋势以及在线剩余寿命预测进行研究。将通过ICS-HKRVM估计的容量数据作为时间序列进行重构,针对时间序列迭代多步进行预测时,往往面临长期预测误差累积的问题,设计用增量学习思想改进的ICS-HKIRVM,提出模型更新条件与样本淘汰机制,使得模型能利用新增数据进行在线更新,在保证长期预测精度的同时不给计算内存增加负担。(3)通过在动车组蓄电池实际监测数据上的应用,证明ICS-HKRVM与ICS-HKIRVM能准确预测蓄电池当前状态和未来趋势,为当前动车组蓄电池修程修制的智能性和经济性优化提供理论性的支持。