于 萍，金炜东，秦 娜

(西南交通大学 电气工程学院，四川 成都 610031)

研究表明，列车走行部发生故障时，其振动监测信号是典型的非线性非平稳随机信号。针对目前常见的非平稳信号处理方法，如短时傅立叶变换、Wigner-Ville分布、小波分析等，国内外学者将其与列车故障背景相结合，展开了大量研究工作。文献[1]利用小波变换对走行部轴承故障振动信号进行了时频分析。文献[2]利用自适应短时傅立叶变换对列车滚动轴承故障振动信号进行了特征提取。文献[3]将小波分解和离散余弦变换相结合来提取列车牵引齿轮故障特征信息，取得了较好的效果。经验模态分解(EMD)[4]是处理非线性非平稳信号的一种新方法，但利用EMD处理振动信号时易出现末端效应、模态混叠等问题，为此文献[5]提出了集合经验模态分解(EEMD)，有效抑制了EMD的模态混叠现象。

列车正常运行时，走行部各部件的振动是有规律的[6]，当其出现诸如抗蛇行失稳、横向减振器失效等常见故障时，这个正常的规律就被打破，表现出有故障的规律，且会伴随很多冲击成分。这些成分中往往包含走行设备运行状态的重要信息，然而其经常被噪声淹没不易识别。另一方面，由于测量时存在噪声及多种振源等因素的影响，对故障信号构造的时域、频域、时频域等高维特征集间存在一定程度的相关性及冗余信息[7]，降低了分类识别率，因此需要对高维特征集进行降维。流形学习[8]是一种新的非线性维数约简……