作为主要的铁路货运工具,重载机车已经实现了一次又一次的重载突破。机车载重量的不断提升,也对机车的牵引控制提出了越来越高的要求。当轮轨间粘着条件变差,机车轮对牵引力大于轮轨间可利用粘着力时,就会导致机车的空转/滑行。机车的空转/滑行不但造成牵引力的浪费,严重情况下还会造成轮轨擦伤甚至机车脱轨等重大事故。因此快速准确的空转/滑行识别在机车牵引控制中具有重要的地位。目前广泛使用的有基于蠕滑速度的空转/滑行识别和基于轮对加速度及轮对加速度微分的空转/滑行识别方法。这些方法都能够较为准确的识别机车的运行状态,但存在一定的不足。另外,目前的空转/滑行识别方法大多数都是在单一尺度上进行信号处理,且多进行时域分析,不考虑频域特性。本文提出了在多尺度上进行信号处理的思想,并将时频域结合,利用各自的优势共同处理信号,更好地识别机车的运行状态。首先,本文设计了一种基于多尺度模糊熵的空转/滑行识别方法。该方法以轮对速度作为输入,在多个尺度上对速度信号进行处理,计算各尺度上轮对速度的模糊熵值,然后根据计算所得模糊熵值是否达到设定阈值来判断在当前尺度上机车的运行状态,最后对各个尺度判定结果使用投票法综合判断机车的运行状态。相比传统的空转/滑行识别方法,基于多尺度模糊熵方法计算准确,且不受噪声干扰,能够及时有效地识别机车空转/滑行。其次,设计了基于EEMD的空转/滑行方法。EEMD能够根据信号本身的特点对信号进行自适应分解,在处理轮对速度这种非平稳非线性信号时具有很大的优势。EEMD分解将轮对速度信号分解成频率从高到低的各个分量,从分解的各分量中选择合适的分量计算模糊熵值,根据模糊熵值是否达到设定阈值判断机车状态,最后对选取的各分量进行综合判断,来判别机车的空转/滑行状态。相比传统识别方法多在时域进行分析,基于EEMD的空转/滑行识别将时频域结合,更加准确地识别机车的运行状态。最后,以某型号重载机车为研究对象,在MATLAB/Simulink环境中搭建机车动力学仿真模型,通过轨面变换模拟机车实际运行的各种工况。经过模拟仿真,验证本文设计的基于多尺度模糊熵和基于EEMD分解的空转/滑行识别方法的有效性。仿真结果表明,这两种识别方法都能够快速准确地识别出机车的运行状态,具有良好的应用前景。