高铁在人们生活中扮演着非常重要的角色,这离不开高铁技术的发展。但是该项技术是把“双刃剑”,也可能会带来一定的安全风险。因此,有必要对列车的安全性进行研究。由于采集到的高速列车振动信号具有非线性和非平稳的特点,传统的信号分析方法对于这类信号具有一定的局限性,而完备聚合经验模态分解(CEEMD)因其完备性和良好的自适应性,非常适合对列车振动信号的处理。此外,往往单一特征由于具有模糊性和不确定性,达不到有效的识别目的。所以,需要找到有效的特征提取方法来处理列车安全性态评估等方面的问题。本文基于CEEMD和特征融合实现对高速列车振动信号的特征分析。本文主要研究内容可概括如下：(1)针对单一特征具有模糊性和不确定性的特点,结合完备聚合经验模态分解和信息熵测度,提出基于多特征融合的列车振动信号特征分析方法。首先,对振动信号进行分解,将复杂信号分解为一系列近似平稳的简单信号。通过相关系数的计算,选择与原信号关联比较大的信号分量。其次,对这些信号分别提取时域奇异谱熵、频域功率谱熵、时-频域小波能谱熵,构成融合特征向量。最后,利用最小二乘支持向量机构建诊断模型进行工况识别。结果表明,该方法比利用单一特征进行工况识别效果好。(2)鉴于高速列车振动信号由位于列车不同部位和不同方向的传感器采集得到,不同传感器采集的信息既有互补性又有冗余性,研究了基于ReliefF的高速列车多传感器特征选择方法。利用ReliefF算法将不同的传感器特征按权重排序。根据排序结果实现对传感器特征的筛选。结合复杂性测度,将选择的传感器信号进行特征融合。这里,求出筛选的模态分量的权重,然后对这些模态分量求模糊熵并进行加权处理,构建特征向量。代替传统的选取所有分量的特征求算术平均的方法。这不仅减轻了计算负担,同时提高了算法的稳定性。通过实验的仿真分析,该方法具有较好的识别性能。