随着我国高速列车的迅速发展,技术的不断进步使得列车的速度也越来越高。随之而来的则是人们越来越关注高速列车的运行安全,这对高速列车的安全预警和健康维护有了更大的挑战。转向架是列车安全运行中的关键组成部分,通过对转向架监测到的振动信号数据进行特征分析,从中挖掘出列车的运行状态,从而对列车进行安全性态评估,这对列车的稳定安全运行有着重大意义。针对高速列车转向架故障信号来源于各相互垂直的通道这一特性,采用近几年兴起的多元经验模态分解(Multivariate Empirical Mode Decomposition,简称MEMD)方法进行多通道信号分解,有效融合了各通道的信息。针对传统的高速列车转向架故障特征提取方法多是基于单通道信号数据,引入全矢谱技术改进单通道特征提取算法,能很好地融合同源双通道信息。本文的主要研究工作如下:(1)对高速列车转向架抗蛇行减振器8种故障工况和横向减振器10种故障工况的多通道振动信号分别进行聚合经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和MEMD分解,通过相关系数法选择前6个本征模态函数(Intrinsic Mode Function,简称IMF)分量,对各IMF分量进行IMF信息熵(排列熵、功率谱熵、奇异谱熵)特征提取,最后用支持向量机进行分类识别。实验结果验证了MEMD方法在多通道信号融合中的优势,同时验证了基于MEMD和IMF信息熵的特征提取方法对高速列车转向架故障诊断的有效性。(2)提出了基于MEMD和全矢IMF信息熵的转向架故障特征提取方法,将全矢谱技术应用于特征提取有利于多通道信息融合。对故障振动信号经MEMD分解后的前6个IMF分量分别提取三种全矢IMF信息熵特征,即先对各通道的IMF分量进行全矢融合后再进行IMF信息熵特征提取,对比提取IMF信息熵特征的结果验证了基于MEMD和全矢IMF信息熵的特征提取方法的故障分类效果更好。(3)为了进一步提高转向架故障诊断率,联合了所有有效通道信号的全矢IMF信息熵特征构成高维特征,即进一步进行多通道信息融合,对高维特征采用基于邓勇改进的DS理论融合四种单一特征评价方法的结果进行特征选择,实验结果表明该方法在列车不同运行速度下均能有效提高故障诊断率。对选择的低维特征分别采用径向基核函数SVM、线性核函数SVM、多项式核函数SVM进行分类识别,最后采用DS理论融合三种分类器的识别结果。实验结果表明,列车在不同速度下的特征经SVM决策融合后的识别率最高能提高到100%。通过将该方法应用于转向架减振器性能参数蜕化故障诊断中,得到了比其他文献中更高的识别率,验证了其在高速列车转向架故障诊断中的普适性。