在车辆实际运行中,轮轨之间复杂的相互作用将导致车轮发生磨耗,引起车轮外型参数的变化,导致轮轨匹配性能的衰退,进而危及到整个车辆系统的安全性。随着中国城市轨道交通的爆炸式发展,频繁地镟修车轮势必增大维护成本。因此,有必要通过科学有效的方法预测地铁车轮外型的变化趋势。为了定量地描述车轮磨耗的程度,基于蠕滑机理的车轮磨耗理论在铁路实践中得到了较好的应用。当前,学者们广泛运用Jendel材料磨损模型对车轮进行磨耗计算。其中,国内外学者对Jendel模型中的磨耗系数k_A的选取方法莫衷一是,主要有实验法和经验法,实验统计的方法成本较高且泛化能力较弱,而经验选取增加了仿真及预测的不确定性。复杂系统预测与健康管理(prognostics and health management,PHM)技术可以预测系统的功能状态,根据预测信息进行合理的维修决策,是可靠性与系统工程领域的核心技术之一。PHM现有预测方法主要包括基于物理模型的方法和基于数据驱动的方法。近年来,针对以上两种方法各自的缺陷,学者们提出了两种方法互补融合的失效预测技术,极大提高了预测精度和效率,降低了预测成本。本文将PHM中的数据—模型融合的方法引入车轮磨耗预测,提出一种基于数据—模型融合驱动的地铁车轮磨耗预测方法,对Jendel磨损模型中的磨耗系数k_A进行优化,提高了模型的准确性和泛化能力,而且减少了数据、实验成本。同时分析了线路条件和载重条件对车轮磨耗的影响。本文主要内容及创新点如下:(1)从基于数据驱动与基于物理模型两个角度出发,分析总结了当前国内外学者对铁路车轮磨耗预测的现状,从而提出了一种基于数据—模型融合驱动的地铁车轮磨耗预测方法。(2)构建基于数据—模型融合驱动的地铁车辆磨耗预测模型:首先,根据某一特定运行里程的实测磨耗数据,采用最小二乘算法分析计算实测的磨耗数值与仿真计算的车轮磨耗数值的差值,以两者差值的最小值作为目标函数,通过遗传算法对Jendel磨损模型中的磨耗系数k_A进行优化,得到优化后的Jendel磨损模型。然后,联合运用车辆系统动力学模型、轮轨接触模型和优化后的Jendel磨损模型,对地铁车轮在其他运行里程下的磨耗进行仿真与预测。(3)运用融合驱动模型对某城市A、B号线地铁车辆车轮磨耗进行仿真及预测,并与实测车轮磨耗数据对比,对模型及预测方法进行了验证。(4)为了更全面的对地铁车轮磨耗进行研究,利用物理模型仿真分析了不同线路组成和不同载重状态对车轮磨耗的影响,为提高车轮服役寿命、增加车辆运行安全性提供了理论指导意义。结果表明:数据—模型融合驱动的地铁车辆磨耗预测方法比传统的车轮磨耗预测方法更加准确,而且更具泛化能力。该方法有效降低了凭借经验选取磨耗系数的不确定性,同时减少了数据成本,是人工智能方法在系统工程理论与实践中的重要应用。本方法在预测与仿真过程中与实测结果基本吻合,对车辆镟修作业具有指导意义。同时,线路组成条件和车辆载重状态对车轮磨耗都具有显著的影响:曲线越多、载客量越大都会加剧车轮磨耗。本文通过数值仿真提出了科学合理的减磨措施及建议。