辅助逆变器是地铁列车发生故障概率较高的设备,所以对其开展故障诊断尤为重要。然而我国尚未构成完善的辅助逆变器故障分析与诊断方法。对逆变器的故障诊断方法大都建立在Nyquist采样定理的基础上,需要采集大量的信号来保证故障诊断精度,就会产生数据处理量庞大、数据存储和数据运输困难等问题。介于以上原因,建立智能化的故障诊断方法对辅助逆变器进行故障诊断具有重要意义。本文首先在分析压缩感知(Compressed Sensing,CS)理论的基础上,通过基于离散余弦变换的稀疏表示方法说明辅助逆变器的电压信号具有稀疏性,而且具有数据采样与数据压缩合二为一的特征。其次,充分利用CS理论将信号经过压缩投影得到少量数据就能较好地保存原始信号中大量关键信息的特性,在信号进行压缩测量的过程中,采取多频率信号融合、冗余字典以及Grarm矩阵等具体优化方法,分别对稀疏表示过程的稀疏基和测量过程中的测量矩阵实现优化改良。仿真实验表明,压缩信号经过优化后,不仅稀疏基和测量矩阵间的相关性降低,而且信号的压缩测量性能也有显著提升。最后,运用CS方法对电压信号进行处理,在不重构的基础上,对信号经过压缩投影所得到的测量值直接进行特征提取,与支持向量机(SVM)相结合实现对辅助逆变器的故障诊断与识别。仿真实验进一步表明,所研究的辅助逆变器故障诊断压缩感知方法需要处理的信号数据量少,能够保证故障诊断的准确率,并加快故障诊断速度。