随着我国高铁的蓬勃发展,路网规模的迅速扩大,高速列车运行安全已成为高铁研究、建设和运营最关注的重中之重。轮对轴承是列车走行系统中关键的旋转部件,除了支承列车重量及车辆载重所构成的静态和动态的径向负荷外,在车轴方向还要承受额外的非稳定力,可见轮对轴承的可靠性与稳定性对列车行车安全有至关重要的影响。随着列车运行速度的提高,车辆轮轨间的动载荷相应地随之增大,轮对轴承的振动服役环境更加复杂化,加剧了轮对轴承的磨损、擦伤等故障产生及状态偏离演变进程,由此可见,高速列车轮对轴承状态检测、监测与故障诊断研究变得极为必要与迫切。经验模态分解(Empirical Mode Decomposition,EMD)口总体平均经验模态分解(EnsembleEmpirical Mode Decomposition,EEMD),是黄锷院士(Norden E.Huang)提出的一种新的处理非平稳非线性信号的方法,该方法一度被认为是2000年以来以傅里叶变换为基础的线性与稳态频谱分析的一个重大突破。原因在于EMD是一种自适应数据分解方法,其基于信号本身局部时间尺度特征进行信号分解,无须关于待分析信号的先验知识。任意非平稳信号被分解成若干本征模态函数(Intrinsic Mode Function, IMF),每个IMF均具有明确的物理意义。对每个IMF计算相应瞬时频率和瞬时幅值,可以得到原始信号细致的时频刻画,能清晰描述非平稳信号的时频分布。EMD分解方法中蕴藏的本征属性参数,体现了原始信号中某些关键固有特性。因此,本文基于EMD本征属性,采用振动信号分析方法,对高速列车轮对轴承状态表征与故障诊断方法进行了深入的研究。在梳理EMD时频分析方法基础理论的过程中,提出了一种基于奇异值曲率谱的EEMD噪声识别方法,能有效地自适应地识别EEMD分解过程中产生的噪声信号以及原始信号中包含的噪声信号,可以很好地应用于信号降噪处理。利用EMD本征属性表征高速列车轮对轴承振动状态,提出了三种定量表征方法。第一种是振动信号形态函数表征方法,EMD形态函数是对IMF一种新的概括,本文以健康状态下的形态函数作为计算基准,建立了多状态轮对轴承振动信号形态函数指标度量办法,可有效量化表征轮对轴承振动状态,并根据量化表征区间可识别轮对轴承故障类型；稳定性检验是衡量机械系统性能良好、状态健康的最重要的指标手段,本文为规避形态函数表征方法的先验条件,提出EMD稳态偏量的概念及表征方法,用以定量地表征系统的稳定状态或稳定偏离程度,建立了轮对轴承健康状态与多故障状态下基于幅度值和瞬时频率的稳态偏量指标度量准则,依据稳态偏量指标可有效地区分轮对轴承单个故障形式以及部分复合故障模式,能较好地辨识或识别轮对轴承故障类型；为了改进稳态偏量表征方法中量化表征区间混叠问题,基于信噪比在信号处理领域的广泛应用及其方法的简易性,提出了信噪比量化表征轮对轴承状态的方法,建立了信噪比指标与轮对轴承状态的强映射关系,形成了基于显著性检验的信噪比指标、基于优势IMF规范化能量的信噪比指标及基于奇异值的信噪比指标,该方法具备高辨识能力和高度自适应性,适用于高速列车轮对轴承在线智能化检测与监测。在轮对轴承状态量化表征的基础上,从故障特征频率提取的角度,提出了一种基于IMF自动选择的高速列车轮对轴承故障诊断方法。建立了IMF价值量化理论,通过自相关性、偏度、峭度及冲击特性等IMF自身属性参数的价值设计,量化IMF价值,可以自主选择对特征提取价值更高的IMF进行重构分析,结合Hilbert边际谱可有效提取到轮对轴承特性频率、故障特征频率及其倍频。为了实现高速列车轮对轴承故障诊断全过程自适应化,依据熵权理论对信号稳定状态的描述,提出了一种基于EMD目标熵权和SVM的轮对轴承故障诊断方法。将SVM作为基础工具,确定了适用于轮对轴承的目标熵权,即IMFs相对时频熵权与IMFs奇异值的组合系数形式,建立了匹配性强的分类模型；该方法对小样本、非线性特性的数据样本表现出较强的建模能力,能够有效识别轮对轴承多种故障状态。总之,本文依据EMD本征属性及特性参数,比较全面的研究了高速列车轮对轴承状态表征与故障诊断方法,可以基于轮对轴承振动信号提取到轮对轴承健康状态恶化的早期阶段或早期故障信息,较为准确地掌握轮对轴承健康状态偏离情况,进而有效地判别轮对轴承故障类型,为轮对轴承车载在线检测提供了方法理论及技术支撑,为轮对轴承实现“状态修”提供状态识别依据及决策指导。