随着经济发展,我国高铁事业达到了新的高度,迄今为止运营动车组保有量超过3800标准组,里程数3.8万公里。高铁已成为众多交通工具中最重要的一种,其中CRH3型动车组是众多车型中运行里程最长,保有数量最多的动车组。自2007年至今,第一批动车组已运营十余年之久,随着动车组服役年限不断增加,故障率也逐年递增,其相应的检修压力也随之加大,而辅助供电系统的供电质量与可靠性是影响到动车运行安全和旅客乘坐舒适度的最直接因素。在动车运行过程中,保证旅客安全“万无一失”,为旅客提供安全舒适的乘坐体验感是重中之重。因此本文以CRH3型动车组辅助供电系统关键部件辅助逆变器为研究对象,对其可能发生的多种IGBT开路情况进行研究,运用并比较不同故障诊断算法,实现了辅助逆变器有效且准确的故障诊断。（1）通过对论文研究背景以及研究意义的阐述,分析动车组辅助供电系统及关键部件故障诊断的国内外研究现状;研究辅助供电系统运行原理,绘制辅助供电系统拓扑,通过统计得到辅助供电系统关键部件为辅助逆变器,对辅助逆变器的主电路图、调制策略及滤波参数等进行深层次剖析,建立了辅助逆变器的MATLAB/Simulink仿真模型。（2）通过分析IGBT的基本结构及失效机理,对辅助逆变器IGBT不同开路故障进行分类,得到各种状态下三相电流输出波形,根据辅助逆变器输出电流波形的特征,对其故障进行研究分析,得到电流波形特征与不同故障之间的初步联系。（3）通过研究小波变换的基本原理,采用理想的db3小波分解重构电流输出波形,获得由高、低频能量值构成的数据,经过处理和重构能量频谱,进而提取辅助逆变器的故障特征向量,作为下一步故障诊断算法的输入数据。（4）将小波分解提取的特征向量汇总作为输入,对故障进行编码作为输出;采用BP与GRNN神经网络进行故障识别,BP采用L-M算法迭代,GRNN采用交叉验证方法进行反复训练,找到最佳SPREAD值,两种方法均能实现故障诊断并进行对比分析。最终本文通过详细的分析确定了db3小波基来进行特征提取,得出的故障特征向量能够较好的呈现出其中的故障信息,并验证了故障特征向量的正确性。采用的两种神经网络算法都能够有效的完成辅助逆变器故障诊断,其中BP神经网络训练时间与GRNN差别不大,但GRNN神经网络在识别精度上较BP有显著提高,诊断结果更为准确。