赵 飞，宁 静,2，方明宽，陈春俊

(1.西南交通大学机械工程学院，四川 成都 610031; 2.轨道交通运维技术与装备四川省重点实验室，四川 成都 610031)

0 引 言

从铁道车辆的诞生开始，车辆运行的安全性就一直备受人们关注。车辆运行安全性的主要关注问题就是车辆系统的横向稳定性。自从英国的Stephenson在1821年首先注意到车辆系统的蛇行现象，铁道车辆的横向稳定性就一直被很多学者关注。铁道车辆的蛇行运动是一种自激振动，由于其轮对踏面具有锥度，在运行过程中必然存在蛇行运动[1]。近年来，随着高铁的快速发展，对车辆运行的安全品质有着越来越高的要求。孙丽霞[2]提出基于轮对横移加速度移动均方根、转向架横向振动加速度和脱轨系数的高速列车动态脱轨安全性综合评价方法。宋欣武[3]通过对轴箱横向振动信号与构架横向振动信号的综合分析来评估转向架的运行状态，提出了横向位移峰值方法（LMP），即把轮对和构架的横向振动加速度信号通过计算得出轮对横移量的峰值来判定车辆是否失稳。Zeng等[4]利用车辆发生蛇行运动时车体，构架，轮对的横向振动信号具有周期性的特点，计算其相位轨迹的周期性指数（PIPT），设定阈值来判断车辆是否发生蛇行。

近年来，随着人工智能技术的发展，人工智能学习算法广泛地运用于特征识别。Ye等[5]通过对构架的横向、垂向和纵向加速度信号的融合，提出了一种基于独立模式函数重构与线性局部切空间对齐（IMFR-LLTSA）的特征提取方法，用于识别小幅蛇行，提高高速列车运行的安全性。……