由于在密封性、隔音、可靠性等方面的优势,列车塞拉门已经被广泛应用于铁路系统,尤其是高速铁路中。列车塞拉门作为乘客上下车的通道,直接影响列车的运营效率和乘客的人身安全。列车塞拉门故障不仅可能威胁到乘客的安全,甚至会造成列车延误。由于轨道交通的特性,可能造成很大的积压延误。但是,传统的故障维修或计划维护方法存在成本高、效率低、针对性差、维护不当等一系列弊端。因此,就铁路行业来说,对列车塞拉门进行故障诊断具有重大意义。声音信号具有采集方便、采集方式灵活、非接触式（不对设备造成干扰）等优势。本文通过对列车塞拉门不同工况下的动作声音信号进行分析,提出了非接触式的故障诊断方法,研究了数据预处理方法和不同的特征提取方法。提出了基于混合准则的信号重构方法,实现声音信号的重构。将分数阶微积分思想引入到熵,提出了分数阶小波包能量熵和分数阶多尺度排列熵。并在此基础上,提出了诊断效果更佳的权重分数阶小波包能量熵和权重分数阶多尺度排列熵。主要研究工作如下:（1）针对单一信号处理方法较难充分挖掘塞拉门动作声音信号中所包含的故障特征信息,造成诊断信息的不充分不完备的问题,鉴于经验模态分解在处理非平稳信号的优势及熵在表征信号复杂度方面的优势,提出了基于经验模态分解和熵的故障诊断方法。首先采用经验模态分解对塞拉门声音信号进行分解,得到一系列本征模函数。其次,分析了各本征模函数与原始声音信号之间的相关性,选定相关性系数较大的本征模函数进行进一步研究。分别提取并分析了选定本征模函数的小波包能量熵及多尺度排列熵特征,并采用Fisher判别准则实现最佳特征的挑选。最后,使用粒子群优化算法对支持向量机的超参数进行优化,并将选定特征输入到优化的支持向量机,实现列车塞拉门故障诊断。实验结果发现,所提出的方法具有比单一方法更好的效果。整体上,基于经验模态分解和多尺度排列熵的诊断准确率为93.62%,高于基于经验模态分解和小波包能量熵的故障诊断准确率（91.49%）。（2）针对列车塞拉门声音信号噪声大的问题,提出了基于能量和峭度混合准则的本征模函数挑选方法,并将挑选的本征模函数进行信号重构。通过对不同工况下声音样本本征模函数的能量和峭度进行分析发现,相比于现有的基于单一峭度准则的信号重构方法,所提出的基于峭度和能量混合准则的信号重构方法能够将列车塞拉门声音信号中对故障特征有贡献的本征模函数保留下来。（3）针对塞拉门故障模式复杂多样、故障模式的熵特征区分难度大的问题,将分数阶微积分引入到熵,提出了分数阶小波包能量熵及分数阶多尺度排列熵的概念。给出了分数阶因子的范围及确定方法,并提取了基于混合挑选准则的重构信号的两种分数阶熵。最后结合粒子群优化算法优化的支持向量机实现列车塞拉门的故障诊断。实验结果发现,相比于传统的小波包能量熵和多尺度排列熵,分数阶小波包能量熵和分数阶多尺度排列熵能够大大提高列车塞拉门的故障诊断准确率。并且基于信号重构和分数阶多尺度排列熵的故障诊断准确率为97.87%,高于基于信号重构和分数阶小波包能量熵的故障诊断方法的诊断准确率（96.28%）。（4）为提高相似故障的区分度,从提高分数阶小波包能量熵对不同频带能量分布的敏感度,以及分数阶多尺度排列熵对不同尺度下排列熵的敏感度出发,引入权重思想,提出了权重分数阶小波包能量熵和权重分数阶多尺度排列熵的概念。为了优化分数阶熵的权重,提出了基于粒子群优化算法的支持向量机超参数和分数阶熵权重同步优化策略,实现分数阶熵权重和支持向量机的同步优化。将所提出的权重分数阶熵应用于列车塞拉门的声音信号,发现能够进一步提高列车塞拉门的故障诊断准确率。并且基于信号重构和权重分数阶多尺度排列熵的故障诊断准确率达到99.47%,高于基于信号重构和权重分数阶小波包能量熵的故障诊断准确率97.87%。图40幅,表22个,参考文献168篇。