高铁具有输送能力大、速度快、节能等优点,对我国的交通、运输、环境以及经济起着十分重要的作用,然而高铁交通安全形势却不乐观,高铁的安全问题不断出现。走行部故障是危害列车行驶安全的重要因素,因此,对列车的走行部故障进行及时诊断和识别对高铁的安全显得尤为重要。采集并分析走行部的振动信号是了解走行部运行状态和进行故障诊断的重要手段,它的主要目标是要寻找一种简单有效的信号变换方法,使得信号所包含的重要信息显示出来,最终达到提取有效信号特征的目的,因此信号分析是进行走行部状态检测的重要步骤。传统的信号分析方法在处理非平稳信号时具有一定的局限性,本文将经验模态分解(EMD)方法和熵理论应用于高铁走行部故障诊断中。时域近似熵反映了振动信号的复杂程度,而对信号进行EMD分解后的模态分量的能量反映了信号的主要频率成分的能量。因此,时域近似熵理论和固态模态分量的能量信息包含了信号的特征,本文基于EMD方法和近似熵理论提取了高铁的故障特征,并使用BP神经网络进行状态识别。实验结果表明,该故障诊断方法能有效识别走行部故障,并能有效提高走行部故障诊断性能。此外,本文结合EMD方法和模糊熵理论提出了一种高铁走行部故障特征提取方法。通过对不同工况下的振动信号进行EMD分解得到一系列模态分量,本文摒弃了传统方法中仅选取前若干个模态分量作为待分析模态分量的思想,而是将所有的模态分量进行分析,并计算所有模态分量的模糊熵的平均值作为振动信号的特征。最后为了证明本文提出的方法的有效性,选用BP神经网络、SVM以及贝叶斯网络作为分类器来进行故障诊断。此外,将传统方法提取的特征分别作为BP神经网络、SVM以及贝叶斯网络的输入来进行故障诊断,实验结果表明,本文的特征提取方法提取的特征能更好的反应故障信息,从而提高故障诊断正确率。