随着中国高速铁路的迅速发展,高速列车(High Speed Train,HST)已经成为了人们出行必不可少的一种交通工具。然而当高速列车经过长久的运行后,它的转向架的某些部位就会出现性能下降等问题。转向架作为高速列车的关键部位,对保障列车的安全性和乘车的舒适性起到了重要的作用。为了监测列车的服役状态,避免列车行驶中出现一些隐患,可以在转向架的不同部位安装传感器,采集不同运行状况下的振动信号,对其进行分析研究。因此,如何有效地从高速列车转向架的监测数据中提取特征,进行典型工况的识别具有重要的意义。一方面,考虑到传统的工况识别方法大多是对单通道的高速列车振动信号采取单个特征提取方法,容易造成信息提取的不完备,因此本文引入多视图学习的思想,首先对转向架振动信号采用快速傅里叶变换(Fast Fourier Transformation,FFT)、小波能量、经验模态分解(Empirical Mode Decomposition,EMD)的近似熵(Approximate Entropy,AE)、时域统计特征等四种特征提取方法,从频域、时频域、时域等角度构建多视图。然后利用K-means聚类得到单个视图的基聚类结果,采用两种方式计算出不同视图的权值,进行加权的非负矩阵分解集成(Weighted Non-negative Matrix Factorization,WNMF),输出结果。通过实验对比说明该方法在识别性能上比单个的特征提取方法更突出,并且WNMF在模型中相较其他几种聚类集成方法也有较好的效果提升。另一方面,考虑到传统的工况识别方法大多分析的是高速列车转向架单通道的振动数据,从而忽略了其他通道的数据信息。而全部通道的振动数据间又存在信息的冗余,因此提出一种多视图核模糊C均值算法(Multi-view Kernel Fuzzy C-means,MvKFCM),构建一个基于MvKFCM的工况识别模型。首先对所有的加速度信号的通道提取FFT系数,分别进行模糊C均值聚类(Fuzzy C-means,FCM),然后用模糊分类系数(Fuzzy Classification Coefficient,FCC)评价出各通道的识别结果,进行排序筛选,最后将选择出的多个通道输入MvKFCM,得到最终的识别结果。实验结果表明,在相同的前提下,多通道的识别结果明显优于单个通道的识别结果,并且相比于其他几种多视图聚类算法,MvKFCM在工况识别上具有一定的优势。