重庆的单轨式轨道交通在中国是首次引进的,锚固螺杆作为其中非常重要的受力部件,一旦它们发生松动故障而且没有被及时发现的话,将带来灾难性后果。因此研究一种高效准确的锚固螺杆松动故障检测方法成为重庆轻轨交通健康检测系统中非常重要的一个分支。论文从重庆轨道的实际情况出发,利用信号采集装置获得锚固螺杆振动信号,研究分析其信号的特点,针对检测准确率低、故障样本极度缺乏难题,提出一种新的有效诊断方法,实现了对锚固螺杆故障情况的诊断。首先,简要介绍了锚固螺杆的信号采集系统,使用改进小波阈值去噪法对采集到的信号进行去噪,便于后期对信号的特征提取。接着,针对螺杆信号的特点,从信号的时域、频域和时频联合域出发,运用集合经验模态分解、平滑威格纳-维尔分布、波包分解等方法对锚固螺杆信号进行了特征提取,一共提取到71个特征。然后,在分类时并不是特征的数量越多越好,过多的特征不仅会产生数据的大量冗余,增加计算时间和成本,还可能会产生过拟合,降低检测的准确率。为解决此问题,引入遗传模拟退火算法对锚固螺杆的特征进行筛选,最终选出一组最优的特征子集。最后,在锚固螺杆的故障诊断中,正常的样本非常容易获得,而故障样本极度缺乏,传统的二值分类方法无法根据现有样本构建起分类器进行分类,为了解决这个难题,引入支持向量数据描述方法(support vector data description,SVDD),仅仅依靠正常样本就可以建立起故障分类器。使用选择出的最优特征集训练和测试SVDD分类器进行分类,通过实验验证了此方法的可行性。同时对比了SVDD与其他几种常用的单值分类方法应用到锚固螺杆松动故障诊断中的差异,表明SVDD分类方法是结果最好的。实验中把上述方法应用到锚固螺杆松动故障诊断中,诊断结果表明在适当牺牲错检率的情况下,保证没有出现漏检情况,整体诊断准确率在93%以上,满足了故障检测的要求。