高速列车转向架系统是高速列车的重要部件,其服役性能很大程度上决定了高速列车运行的安全性与稳定性。随着高速列车运营里程的增长,转向架的服役性能与安全状态始终处于时变状态,这对转向架的安全与维护带来极大的挑战。准确地分析转向架的服役性能规律和健康状态,能有效指导高速列车的安全提速,优化转向架的镞修周期,这对于高速列车运行的经济性和安全性具有重要意义。本文提出兼实现了一种基于机器学习的高铁转向架服役性能研究方法,并利用Django框架搭建了转向架服役性能实时监测系统的网站,具有一定的创新性和实用性。本文的主要研究成果如下:(1)在实际运营数据的基础上,利用现代信号处理理论、动力学理论与机器学习回归算法进行交叉融合,提出了基于机器学习的高铁转向架服役性能研究方法。该研究方法可分为三个流程,首先,通过对列车运行过程中的转向架数据集进行小波变换和归一化处理,其次,建立多元线性回归、反向传播神经网络、径向基神经网络、回归决策树和随机森林等机器学习算法的服役性能演变规律模型,最后,比较各模型的回归性能。实验结果表明针对动车转向架枕梁垂向振动数据集的预测,随机森林回归模型在回归性能上是最佳的。(2)经过实验验证,基于实验模型能有效地反映高铁转向架部件服役性能演变规律,以所得转向架模型为基础,深入研究了该模型在高速列车上的两项应用。首先,应用该模型实时监测当前转向架部件的状态。在特定里程下,当列车速度或者加速度超出限速范围,监测到振动值就会超出安全阈值,及时采取措施,可减少不必要的人员财产损失。其次,应用该模型还能预测转向架的趋势异常。当列车转向架服役里程达到使用年限时,列车转向架的振动值也会超出安全阈值,此时列车转向架需要及时更换。因此,该模型能制定更加合理的镟修周期,减少列车运营成本。(3)为了使本文实现的研究方法更具有实用性,开发了基于Django框架的转向架实时监测系统网站,实现实验结果的可视化工作。该网站可以根据需求筛选需要实时动态监测的转向架部件的振动数据,选取符合该转向架部件的机器学习预测模型。