安全域是一种从域的角度描述轴承安全状态的模型。它从轴承的运行状态角度考虑,在状态特征变量确定的空间内,用于辨识其运行状态是否在正常区域内。然而,高速列车运行状态数据通常是符合期望的正常样本,故障样本由于获取代价高昂,使得对其故障行为知之甚少,甚至一无所知,这意味着传统基于正常和故障样本的安全域建模方法很难应用在高速列车故障诊断上。支持矢量数据描述(Support vector data description,SVDD)虽然能够仅利用正常样本在运行状态空间上构建安全域,但是基于SVDD的安全域模型易受到惩罚参数取值的影响,特别是在大数据的背景下,合理快速地选择惩罚参数对提高安全域模型的边界估计能力及异常检测具有重要意义。鉴于此,提出了一种基于核空间距离熵的安全域惩罚参数选择算法。该算法依据核空间上样本点的位置分布,计算每个样本点距离核中心的距离,在大量基准数据集的基础上,寻找最优惩罚参数与距离熵之间的对应关系,最终获得最优惩罚参数的经验表达式。试验结果表明,相比基于网格搜索和遗传算法的参数选取方法,该方法物理意义明确,能够在保证分类准确率的基础上显著提高安全域模型的优化效率。所提出的基于安全域模型的异常检测方法应用于圆锥滚子轴承的安全状态辨识中。