高速列车运行速度的不断提高,给列车安全运行的保障工作带来了更大的挑战。列车运行过程中,安装在列车各位置上的传感器将监测到大量的振动信号数据,对这些数据进行信号特征分析,并通过分类器得到列车在服役过程中的运行状态,从而快速而准确地对列车进行安全性态评估。由于高速列车上所布置的传感器通道间存在相关性,传统特征分析方法在对高速列车监测数据进行特征提取时,只能先单个通道处理,再在后期进行特征级别的数据融合,这不利于同一物理系统产生的振动信号的分析。本文针对高速列车监测数据多通道问题,分析多元经验模态分解(Multivariate Empirical Mode Decomposition,MEMD)算法特性,研究了 MEMD算法在高速列车信号处理中的应用。主要完成了以下研究工作:(1)研究了 MEMD算法,为了进一步减少模式混叠现象,将高斯白噪声添加到MEMD分解过程中,引入噪声辅助MEMD。采用转向架关键部件全拆工况数据对噪声辅助MEMD方法进行性能评估,结果表明:噪声辅助MEMD比标准MEMD更具优越性,而且添加2个噪声通道时其性能达到最好。(2)提出了基于MEMD和信息熵的特征提取方法。将MEMD算法用于高速列车转向架全拆工况和横向减振器不同个数失效工况信号的分解预处理,利用相关系数法对分解得到的多元固有模态函数(Intrinsic Mode Function,IMF)进行筛选,再对筛选结果提取三种信息熵(样本熵、排列熵、多元多尺度熵)特征,最后将提取到的特征作为支持向量机的输入,进行故障分类识别。采用单一变量法对其他特征提取方法进行了对比,验证了 MEMD方法的有效性。(3)联合不同通道数量对转向架两种故障数据进行MEMD分解实验,得到能在该故障状态时,对高速列车的运动进行完备描述的最佳通道数量。结果表明,对于转向架全拆工况,单个测点的横垂两个方向即可作相对比较完备的描述,所以只需要联合3个通道进行分解处理即可达到最佳效果。而对于横向减振器不同个数失效工况,则需要横、纵、垂三个方向的通道才能做完备的运动描述,所以联合6个通道数据进行分解预处理后的识别效果最佳。(4)为了研究减振器在性能参数蜕化过程中的状态估计,提出了基于MEMD和压缩感知的减振器性能参数蜕化程度评估方法。利用MEMD算法对列车多通道数据进行联合预处理,对分解得到的多元IMF进行信息熵特征提取,得到原始高维特征集,再采用压缩感知算法对其进行压缩降维(特征低维最佳维数根据Fisher比率确定),得到去除冗余次要的低维特征,最后采用支持向量机对低维特征进行分类识别。结果表明:运用压缩感知算法对高维特征降维后所得的低维特征对减振器性能蜕化过程中的各状态工况具有有效的识别性。