随着世界各地高速动车组的蓬勃发展,列车运行的安全性越来越受到社会的关注。良好的车轮廓形不仅可以确保列车在轨道上的正确位置,以确保安全运行,还可以减少车轮与轨道之间的磨损,延长车轮的使用寿命,从而降低制造和维护成本。因此,准确预测动车组轮对的尺寸,优化轮对镟修策略对于列车维护和铁路安全具有重要的现实意义。本论文以动车组轮对为主要研究对象,针对现场测量数据进行了分析和研究。由于轮对尺寸数据的变化受运行环境和其他因素影响的复杂性,建立了一种用于车轮尺寸数据的粒子群优化多核极限学习机(PSO-MKELM)预测模型。构建了轮对磨损模型和镟修策略研究模型,并在仿真结果的基础上提出了合理的镟修策略。具体工作包括以下几个方面:首先,本文分析了动车组车轮尺寸数据的变化规律,并将核极限学习机(KELM)算法应用于车轮尺寸的预测。多核(MK)函数由多项式核函数和径向基核函数组成,集成到极限学习机(ELM)中,粒子群优化算法(PSO)用于优化该模型的4个关键参数。对于CRH2高速动车组的轮径和轮缘数据,通过比较不同算法的预测结果,验证了该方法的合理性和准确性。与BP模型,ELM模型和三种常用的KELM模型相比,预测结果表明PSO-MKELM模型具有更高的决定系数,更低的均方根误差、平均绝对误差和平均绝对百分误差,证明了 PSO-MKELM的有效性。此外,在CRH2A动车组现场测量数据分析的基础上,建立了轮对磨损模型,估计当轮缘厚度约为30.3mm时,轮缘厚度的磨损率较低。以车轮最长的使用寿命和最小的镟修次数为指标,车轮直径和轮缘磨损的限度值为约束条件,研究单轮优化镟修策略。通过模拟计算得出最佳的镟修策略。最后,在确保轮径差不超过限度值的条件下,分析了整车轮对的镟修量。