当前我国高速铁路路网规模不断扩大,高速列车保有量持续增长,列车设备故障诊断及健康管理等方面的研究变得越来越有意义。轴承是高速列车上承担载荷较大、运行环境较差且较容易发生故障的设备之一。故障轴承在运转过程中会出现温度的异常变化,所以基于轴温特征的高速列车轴承故障预测已经成为一个重点研究方向。然而该设备运行模式受工作条件的影响较大且故障具有非线性特点,传统的故障预测方法难以满足实际要求,而且关于高速列车轴承故障预警方面的研究不多。因此本文开展了基于温度特征的高速列车轴承在途故障预测、性能退化评估及预警策略等方面的研究,主要内容包括:(1)针对国内外研究现状进行了综述,并重点分析总结了高速列车轴承故障预测任务面临的主要瓶颈问题。介绍了既有高速列车轴温监测系统,分析了轴温监测数据宏观特点并使用统计学方法筛选了对轴温影响较大17个的特征用作后续研究的数据基础。(2)传统的故障预测方法几乎都是在离线环境下完成模型的构建,一方面预测精度难以突破,另一方面对于新的数据模式无法适应。针对这些问题,本文提出了一种基于在线学习算法OR-ELM的高速列车轴承在途故障预测方法。利用车载计算平台实时采集传感器流式数据,避免了复杂的传输过程从而减少了数据质量的损失;设计了流式数据预处理环节进一步提升数据质量;利用监测数据在线完成模型参数的实时更新以适应最新数据变化规律。实验证明该方法在预测精度和应对流式数据突变问题上均取得优异的表现。(3)提出了一种基于性能退化评估的高速列车轴承在途故障预测方法。利用健康设备监测数据训练深度神经网络,将深度神经网络的预测输出与真实输出的误差矩阵作为性能评估基础,使用误差矩阵计算设备性能退化评估指标,根据性能退化评估指标判定轴承性能退化程度并实现故障预测。实验证明该方法在健康轴承和故障轴承数据上计算出的性能退化评估指标具有较大的分离度,可以实现较早地预测出故障。(4)针对两种故障预测方法的不同之处分别提出了各自对应的故障预警策略。根据预测结果的故障种类、可信度和严重程度等设计了不同类别、不同安全等级的故障预警策略,能够在预测出故障时及时高效地向列车操作员提供既准确又简单明了的预警信息。实验证明两种策略在轴承发生故障前均能准确地触发分级预警信息。