随着人们对于轨道车辆运营的安全性、舒适性要求越来越高,轨道车辆运行状态的监测及安全预警技术不断发展并越来越受到重视,实时、快速的车辆状态识别方法是未来的研究趋势。本文查询大量中外文献资料,了解各方学者对于轨道车辆振动状态监测,故障诊断,安全预警的研究情况和发展概况,总结了所需的常用故障预警方法及使用的特征向量。然后以轨道车辆走行部振动信号为研究对象,本文创新设计两种以自学习方法为核心的实时自学习安全监测预警算法。算法将一些传统机械故障诊断领域能够使用而在轨道不平顺环境难以发挥效果的算法,模糊聚类算法和神经网络算法,与自学习方法结合克服了复杂环境下难以用同一标准的固定参数来判断车辆走行部机械性能的问题。以算法为核心搭建信息平台,能够实时的对轨道车辆走行部振动信号进行监测,快速对异常振动情况做出预警,也能够在后期数据分析中为轨道车辆的维护做出指导,提高车辆的行车安全。为了验证本文算法的可行性,前期研究轨道车辆垂向振动特性,分析不同路况、不同工况、不同故障情况下轨道车辆振动特征参数变化。后期通过振动实验平台,收集大量模拟轨道谱环境不同工况下的振动特征参数变化情况,综合分析验证本文算法的可行性及有效性。本文硬件设备主要为机械振动实验平台,是轨道车辆垂向振动模拟平台,一种用于研究类转向架机械结构振动特性的通用机械振动试验平台。包含数据采集相关设备、加速度传感器、功率放大器、信号调理器、NI数据采集卡以及电磁激振器等。本文还包括预警系统软件设计,主要使用C#语言环境开发预警系统,完成数据采集、处理、分析、显示、管理的过程。软件系统主要分为显示主界面,信号发生器,自学习模糊聚类故障分析,神经网络故障诊断,历史数据管理等几个主要模块。其核心算法在自学习聚类分析预警系统以及神经网络故障诊断系统中实现,除此之外还有轨道谱生成,数据采集处理等关键模块。本文引入模糊数学、神经网络等相关知识设计独特的自学习安全预警算法,在C#语言环境下完成预警算法的实现及可视化安全监测信息管理平台的开发。通过振动试验平台进行大量试验和调试,不断改进安全预警算法,验证了算法的可行性、有效性,改善了预警算法的灵敏度及准确性。最后,对本文算法及实验成果作出总结,对进一步深入研究作出展望。