铁路交通系统的安全运营取决于高速列车的正常运行。高速列车的正常运行则很大程度上取决于列车关键部件的运行状态。但是,高速列车关键部件的状态检测数据大多数是符合期望的正常样本,由于故障样本获取代价高或获取困难,导致异常数据缺失。这种情况决定了高速列车的状态检测不能按照传统的方式进行,因此无故障数据下如何检测列车的安全性成为研究的重点。本文以高速列车轮对轴承为研究对象,对无故障数据下高速列车轮对轴承的安全域估计方法进行研究。首先,分析了轮对轴承故障诊断、安全域理论的国内外研究现状,借鉴相关研究成果,提出基于支持向量数据描述的轮对轴承安全域估计方法。然后,介绍了安全域的理论及方法,提出基于安全域的轮对轴承状态检测的方法,给出具体的实施步骤,并根据轮对轴承数据的条件,利用支持向量数据描述这一单值分类工具实现安全域的边界估计。主要研究工作如下:(1)针对轮对轴承安全域模型中惩罚参数选择问题,本文从惩罚参数优化效率方面考虑,结合不同数据复杂程度差异,提出了一种选择惩罚参数的方法。这种方法的基本思想是首先将样本数据映射到高维特征空间,基于样本点在核空间的位置分布计算所有样本点到核空间中心的距离,然后求得所有样本点的距离熵,进而求得最优的惩罚参数。实验结果表明,该算法可以减少参数选择时间。(2)高速列车轮对轴承的安全域能否得到较好的边界估计,在很大程度上取决于模型训练中特征选择效果的好坏。为避免单一准则的局限性,本文结合有效性和相关性特征评价准则对特征进行全面的评价。实验结果表明,该算法可以降低特征冗余度及安全域模型的复杂度,同时可以提高安全域的故障识别率。(3)以某高速列车轮对轴承为实验对象,设计实验采集轴承正常、外圈故障、内圈故障及滚动体故障四种类型数据,并进行特征处理。采用用文中提出的无故障数据下高速列车轮对轴承安全域估计研究方法对轴承状态进行辨识。实验结果表明,基于支持向量数据描述的轮对轴承安全域方法能够在异常轴承数据匮乏的情况下展现出良好的异常检测性能。