为了保证高速列车的安全性和可靠性,故障诊断和健康状态技术起着重要的作用。由于人工智能技术的迅猛发展,设备的可靠性与安全性研究受到学者们的广泛关注,其中置信规则库(Belief rule base,BRB)是一种先进的智能方法。BRB方法可以有效地结合测量数据和定性知识完成设备安全性与可靠性任务。即使在少数异常状态样本的情况下,BRB仍然可以借助知识获得高精度的结果。另一方面,基于BRB的方案考虑了领域知识,使得模型具有可解释性。本文从故障诊断和健康状态评估两方面开发了两种基于BRB的方案,用来保证走行部系统的安全运行。我们将讨论三个主题:(1)提出了一种基于混合可靠性的置信规则库的故障诊断方法。与传统的BRB方法不同,该方法考虑了影响工程实际观测数据的两种干扰因素,包括传感器的性能和外部环境的影响,并将其量化为BRB中属性的静态可靠性和动态可靠性。为了将两种可靠性因素集成到BRB推理中,提出了一种基于D-S理论的折扣方法,有助于更准确的诊断。通过对走行部中齿轮箱单一故障进行了验证,证实了该方法的有效性。然后,通过补充的数值仿真,进一步的验证了该方法在多故障模式下的可行性。然后将该方法与传统方法进行了比较。结果表明,BRB-mr模型具有较强的故障诊断能力,对其它系统的故障诊断具有一定的参考价值。(2)提出一种基于标准BRB的走行部系统健康状态评估方法。首先,深入分析了系统的故障机理,确定了能够反映系统状态的故障特征。其次,为了避免单一传感器采集的局限性,如缺乏全面性和鲁棒性,采用奇异值分解实现多传感器信息融合。融合特征作为BRB模型的输入。数据融合是提高模型输入精度的一种方法。然后,利用故障数据和专家知识建立了BRB模型。在评估过程中,专家的主观性使得初始BRB不精确,因此需要一种投影约束协方差矩阵自适应进化策略算法来优化初始参数,提高模型的精度。最后,以走行部系统为例,验证了该模型的有效性和准确性。结果表明,该模型有助于提供准确的结果。(3)在(2)中标准BRB评估方法的基础上,提出了多折扣BRB(multi-discounted BRB,MBRB)用于走行部系统健康状态评估。由于系统结构复杂、失效机制复杂等特点,给其健康状况的确定性评估带来了困难。一般来说,造成评估过程的不确定性因素有三个:监测不确定性、环境不确定性和认知不确定性。该方法同时刻画了上述三种来源不确定性,利用证据贴现理论可以将这三种来源不确定性的影响纳入健康状况评价中。与标准BRB方法相比,一种名为MBRB的替代方法可以显著地提高模型的评估性能。最后将该方法应用于高速列车走行部系统,结果验证了该方法的有效性。