减振器作为列车的关键部件其性能直接影响到列车的安全运行。当前我国高速列车油压减振器采用的维修方式是定期维修,这种维修方式不仅会提高维修成本而且可能由于过度维修造成浪费,甚至可能由于维修不及时造成安全隐患。鉴于此,本文从高速列车在运行过程中产生的振动数据出发,通过数据处理和统计分析,运用人工神经网络建立减振器的故障诊断模型,并根据减振器在性能退化过程中特征参数的变化趋势对其作出预警。由于研究需要大量性能已知减振器所对应的振动数据,因此可以通过仿真模型来获取这些数据。针对以上情况本文主要进行了以下工作:（1）根据单循环式油压减振器的工作原理及结构参数结合流体力学知识建立数学模型,然后根据数学模型基于Simulink建立其仿真模型。通过改变减振器模型的结构参数得到其特性曲线,分析特性曲线的变化规律得到减振器在长期的使用过程中阻尼系数会降低的结论,为仿真模型参数的设置提供了理论依据。（2）基于Simpack和Simulink建立高速列车联合仿真模型并对其进行验证。将经过验证的模型改变其运行速度和减振器的阻尼系数然后进行仿真,对各种工况下减振器的振动数据进行记录,计算不同工况下列车的性能指标,通过分析性能指标说明了减振器阻尼系数的退化对列车安全运行造成的潜在威胁,证明了对减振器性能状态采取实时检测是有必要的,进一步说明该研究的必要性。（3）对采集的不同工况下的仿真数据进行特征提取。特征提取主要包括时域和频域以及时频域特征,直接对采集的信号进行计算就能得到时域特征;将时域信号经过快速傅里叶变换即可计算其频域特征;为了得到时频域特征需要对数据进行转换,小波包变换和聚合经验模态分解可将时域数据转换为时频域数据,根据小波包在频带多层次分解的优势计算不同频带的振动能量并将其作为时频域的特征参数,利用聚合经验模态分解将振动数据分解为不同频带下的模函数,计算不同工况下的模函数的相关系数并将其作为时频域内的特征,为后续的故障诊断和预警提供数据支持。（4）对特征集进行降维并建立故障诊断及预警模型。将降维前后的特征分别用于模型的训练和验证,结果表明了特征降维的必要性,并通过网格搜索法调节模型的参数进一步提高模型的精度。最后用数据对模型进行测试,测试的结果证明了该方法和模型的有效性,为数据驱动的减振器的故障识别和预警提供了一种研究思路。