随着我国高速列车的飞速发展,为满足高速列车实际运营维修的需求,展开高速列车关键零部件的主动运营维修系统的研究工作,对高速列车系统建立健康状态识别越来越成为研究的重点。大量文献表明,横向减振器阻尼参数的变化直接影响车体振动状态和旅客舒适度。横向减振器目前的检修方式是定期修,而随着列车运行速度的提升,未来的发展趋势必然是进行状态修,识别列车运行时部件所处的健康状态。从定期到状态修缺少的就是建立起健康状态和信号数据的关联关系,研究的关键在于特征提取和状态识别,难题是早期退化状态的识别。因此,需要找到更有效的特征提取和特征选择模型,进行横向减振器的健康状态识别。论文在横向减振器退化信号常规特征参量状态识别的基础上,采用了小波包互相关分析与复合特征选择模型的特征提取和选择算法,针对横向减振器退化特征提取、多特征选择与状态识别等问题,进行了以下研究工作:(1)建立了动车组有限元模型,并对横向减振器柔性化处理,开展了系列的仿真计算,讨论了横向减振器退化对列车动力学性能以及同一转向架的其他悬挂部件工作状态的影响。(2)以横向减振器不同退化状态下的列车车体振动加速度信号为研究对象,提取振动信号的不同特征参数进行分析,对在不同运行速度下横向减振器退化状态的敏感度进行了比较。(3)引入小波包互相关分析的方法,将退化状态与正常状态的振动信号进行时频域的相关性分析,进而建立起信号与横向减振器退化状态的关联关系。将小波包互相关系数作为指标来识别横向减振器的退化状态。通过在不同工况下的试验,对横向减振器退化状态的识别正确率较高,验证了小波包互相关系数对状态识别的适用性与有效性。(4)为了避免单一特征无法全面评价部件的好坏,普适性较差的缺陷,本文采用多维特征向量进行横向减振器健康状态的识别。但不同特征对状态识别的权重各有不同,为了选择对状态识别最有效的特征集合,实现运算效率和识别率的提高,本文构建了基于Relief算法和马氏距离的复合特征提取模型,对高速列车横向减振器退化信号的特征信息进行了有效的选择与降维。显著提高了状态识别率、运算效率和抗噪能力。