机车牵引座是连接车体和转向架的重要部件,承受并传递着机车的纵向力,因此牵引座的状态影响着机车的行车安全。本文以机车牵引座为研究对象,以特征提取与模式识别为基础,研究牵引座裂纹故障状态的识别方法。提出基于集合经验模态分解(EEMD)与K邻近算法(KNN)相结合的识别方法、基于小波包分解与隐马尔科夫模型(HMM)相结合的识别方法,通过实验与分析验证各自的有效性并进行了对比;在此基础上,结合模态区间理论对小波包-HMM方法进行改进,形成小波包-广义隐马尔可夫模型(GHMM)的识别方法并进行了验证。首先,本文对机车牵引座结构特点、故障产生原因、故障分级等方面展开分析,确定了牵引座模型的具体参数,通过模态分析确定了模型激振频率,搭建了裂纹故障实验平台并获取了相关实验数据。然后提出了一种利用EEMD-KNN算法进行识别的方法,通过特征提取后进行牵引座三种不同状态的识别,识别结果验证了该方法的可行性与有效性。其次,针对EEMD特征提取耗时长导致EEMD-KNN方法识别过程漫长、占用内存量大的不足,提出了一种基于小波包分解与HMM模型的识别方法。对同样的数据进行小波包分解,提取小波包能量占比值作为敏感特征,结合时域特征导入到HMM模型中进行模型库的建立与优化,待测样本与模型库相匹配得到最大的对数似然值,对应出的模型即为识别结果。对比发现小波包-HMM方法的特征提取方式计算量小、耗时短,使得其识别效率与准确率都得到提升,表明了该识别方法的优越性。最后,针对实验过程存在不确定性的问题,小波包-HMM方法对其分析不足,故提出了一种基于模态区间与HMM模型进行识别的算法。将模态区间理论与HMM模型相结合,形成GHMM模型。将处理后的广义数据同样进行小波包分解获得广义特性的敏感特征区间,结合区间时域特征建立并优化GHMM模型。利用GHMM模型进行状态识别。结果表明,该方法具有更好的识别准确率,同时有效地解决了实验过程中数据的不确定性问题,提高了识别结果的可信度与可靠性。