我国高速铁路发展迅速,运营速度不断提高,随之而来的是列车关键零部件处于更加恶劣严苛的服役环境中工作。轴箱轴承作为列车的“关节”,将轮对的旋转运动转化为列车的直线运动,在运行中受车体重力、加减速过程中的牵引力以及各种动态冲击力等,如此复杂的运行环境使得轴承性能无法保证,一旦失效,就会加剧邻近部件的性能衰退,以至于发生机车破损的恶性事故。在安全问题日益凸显的背景下,有效的监测方法和合理的维护手段成为当前研究的重难点。状态特征提取是能否取得精确故障诊断的关键。各国学者在过去数十年中致力于重要特征的提取研究,然而由于轮对轴承信号存在多振源、强噪声干扰等问题,传统的分析方法受到不同程度的限制,获取有效的时频信息仍是一项极大地挑战。为了增强故障诊断的准确性,利用各种降噪方法以及特征提取技术,联合泛化性好的机器学习算法,建立智能化高、鲁棒性强的诊断系统,以此完成对故障的定性与定量自动评估。因此,以高速列车轴箱轴承早期故障检测为切入点,对新的特征提取技术原理和应用展开深入研究,在理论发展和工程实际中皆具有重要意义。文中详细介绍了 PNN,最小二乘支持向量机(LSSVM)多分类算法基本理论,后者作为SVM算法的延伸,特别适合于小样本数据分析。为了提高模式识别精度,引入了Morlet小波作为核函数,同时采用量子粒子群算法优化模型参数。简述了完备集合经验模式分解技术,它可以将非线性非平稳信号完全自适应的分解为本征模态分量,使原始信号中的关键信息得以精确描述。对基于能量得分的特征评估方法——无限特征选择法加以叙述。为了确定轴承损伤位置,应用基于非线性的多尺度排列熵统计方法刻画系统状态、特征选择方法评估和选取敏感特征,结合PNN分类器提出了基于复合多尺度排列熵的故障诊断模型。其中改进的排列熵算法克服了经典方法在特征计算时出现的波动性以及精度低等缺陷。通过球轴承和列车圆柱、圆锥轮对轴承故障识别应用研究证实了复合多尺度排列熵方法能够有效从原始信号中获得状态信息,在识别不同损伤组件时达到了满意的准确率。研究了对称Alpha稳定分布模型在表征轴承性能状态变化过程中的适应性。并且利用完备集合经验模式分解完成信号预处理和经过改进优化的LSSVM算法,建立基于参数估计的智能模型,最终达到轴承损伤程度的定量评估。该方法中通过3个参数从不同方向反映轴承系统的轻微变化,挖掘蕴藏于时域中的关键信息,构建三维敏感故障特征量输入分类器。球轴承加速寿命实验数据和列车轮对轴承故障诊断验证了方法的可靠性。针对列车运行中出现的轻微、复合缺陷问题,提出了更为精细的特征表征方法——改进的复合多尺度模糊熵技术。全面分析了传统模糊熵算法中存在的缺陷,从“粗粒化”和模糊熵值定义两部分做了改进,最终提高了熵值估计稳定性和精度,尤其适应于带噪短时间数据的分析。采用典型仿真信号评估了特征描述算法的性能。在列车轴箱轴承定性、定量以及复合故障同时诊断时显示出了其优越性,具有一定的实用价值。