高速铁路道岔是铁路轨道线路中的基本连接设备。与基本轨相比,道岔的种类繁多且结构复杂。在道岔的运行过程中,轮对通过轨道时产生的冲击作用以及其它各种外部因素的共同作用易使得道岔轨道产生诸如形变、剥落掉块、裂纹甚至断裂等损伤现象。这些损伤会对通过道岔的高速列车的稳定性产生不良影响,严重时甚至影响列车的安全运行。因此,开展高速铁路道岔的损伤监测研究对于及时、精准地维护与检修道岔,保障列车安全运行具有重要作用。列车过岔时,由轮轨相互作用所产生的振动响应信号包含了道岔当前运行状态的重要信息,利用传感器采集振动响应信号是道岔监测的重要手段。然而,列车过岔时所采集的振动响应信号通常是成分复杂的非平稳信号。经验模态分解虽然能够将非平稳的时变信号自适应的分解到时频平面上的不同频段上,展现信号在时域与频域上的特征,但由于高速道岔结构复杂,伤损机理、方式、位置变化多样,如何识别并精准判断高速道岔的损伤,仍然是各国专家不懈努力的热点问题。粗糙集理论是一种能够有效地从数据中分析并发掘隐含知识的数据分析理论,对优化结构损伤特征参量集,选取对损伤工况敏感的损伤特征参量集有着重要作用。神经网络是模式识别问题中一类重要的非线性建模工具,广泛应用于结构损伤识别问题的研究。但是粗糙集理论与神经网络仍然存在不足,例如经典粗糙集理论只能处理符号型数据,基于粗糙集属性约简的决策规则泛化能力不足,而神经网络部分参数设定困难。针对这些问题,本文在深入研究粗糙集理论的基础上,采用经验模态分解理论对道岔的随机响应信号进行分析处理,结合粗糙集理论和RBF神经网络的建模方法,研究基于振动信号的高速道岔的智能损伤识别。主要工作及成果包括:(1)提出了基于IMF能量奇异熵的高速道岔损伤特征提取方法。首先分析并对比了当前常用高速道岔钢轨无损检测方法的优点以及缺点,给出了基于振动响应信号的试验方法。基于EEMD理论,分析了IMF分量与模态响应之间关系,提取实测高速道岔振动信号的能量比特征、奇异熵特征以及能量奇异熵特征。对比计算表明基于IMF的能量奇异熵特征提取方法的与其它两种方法区分能力相差不大,但稳定性要高于前两者。通过对实测信号添加不同强度的高斯白噪声并提取相应特征参量,验证了该方法对噪声的鲁棒性。(2)提出了基于粗糙集的高速道岔损伤特征的离散化方法。针对粗糙集理论研究中连续属性离散化问题,论文分析了几种常见的离散化方法的特点。以改进的Naive Scale算法为基础,提出了一种基于正域的全局离散化方法。应用改进后的全局离散化方法对两种试验环境下高速道岔损伤特征进行了离散化。(3)提出了基于粗糙集属性约简理论的高速道岔损伤特征选择与优化方法。论文分析了两类常见粗糙集属性约简中存在的不足,提出了基于幂图的非一致性决策表的约简方法,解决了基于差别矩阵的属性约简方法不适用于非一致决策表的问题;利用正域概念提出了一个满足等价性的适应度函数,解决了基于随机优化算法的属性约简方法的适应度函数不满足等价性的问题;提出了一种解空间划分方法,解决了基于随机优化算法的属性约简问题中重复迭代的问题。在上述改进基础上,对高速道岔损伤试验中每个测点的离散化损伤决策表进行属性约简并提取了相应的极小属性约简集,依据每个测点的最小约简集组成一个大的决策表并进行属性约简,提取了相应决策规则。该方法不需要对结构进行动力学分析,直接依据振动信号建立损伤决策模型。(4)提出了一种基于粗糙集和RBF神经网络的高速道岔损伤识别方法。该方法首先对高速道岔的能量奇异熵特征进行了离散化处理,然后基于粗糙集属性约简进行了规则提取,获取了初始决策模式集,确立聚类算法的中心数量以及初始聚类中心位置,最后RBF神经网络隐层中心的初始位置由改进的粗糙k-均值算法确定,并且采用人工鱼群算法对RBF神经网络的权值进行了优化。该方法充分结合了粗糙集理论、粗糙k-聚类算法与RBF神经网络的优点,具有较强的自适应性。高速道岔的试验结果表明由该方法设计的RBF网络结构简洁,泛化性能良好,能够在一定程度上提高高速道岔损伤识别效率,为非平稳信号分类问题提供了一种较为通用的解决方案。