列车运行速度越高,车辆与线路问的匹配问题就越加复杂。一方面,高速运行下的车辆加剧了对线路的损伤；另一方面线路条件对车辆的安全性以及平稳性的影响也愈加明显。随着高铁的多年运营和发展,现场积累了大量车辆运用相关的历史数据,有必要挖掘数据背后隐藏的知识,获得踏面外形磨耗规律或尺寸参数值同车辆运行稳定性的规律,评估或预测车辆与线路的匹配状态,指导车辆部门的轮对运用与检修工作。本文针对某高铁线路上某型动车组构架横向失稳(转向架横向加速度报警)问题,搜集、整理了2014年上半年的构架失稳数据,汇总了与此相关的LY系统(轮对故障动态检测系统的轮对外形尺寸检测子系统)检测数据以及动车组的运用维修数据。利用BASIC编程语言,设计了数据结构转化软件,将运维数据中的非结构化车载诊断文本数据转换为结构化数据。利用数据仓库的理论和方法,将LY检测数据、转向架失稳数据和车组的运维数据构建成了轮对数据新体系,通过分析和操作轮对数据新体系中的多维数据,获得了适合进一步进行挖掘的轮对数据样本集。根据数据挖掘的业务目标,即寻找LY系统检测数据和构架失稳间的规律,确定了挖掘轮对检测数据样本集的基本思路,即根据数据挖掘的分类方法,将每个数据对象按是否发生了构架晃动进行分类。根据该思路,按1：6的比例筛选出了发生过和未发生过构架晃动的数据对象集成轮对运用检测数据样本集,每个数据对象共有54个数据属性,并校核完善了数据样本集中存在的错误或缺失。利用WEKA数据挖掘平台,对数据样本做了预处理,筛选出了多个不同规模的属性子集。利用表现较好的基于规则的分类算法、决策树分类算法和集成学习法,分别在不同的属性子集上建模,对比了不同的样本属性子集和分类算法建模的训练误差和泛化误差后,得到了适合现场检修需求,且便于理解的基于规则的分类模型。分析上述的分类模型得出以下结论：偏大的轮缘厚度能显著影响构架横向失稳；轴内距(或轨距)的变化和较大的踏面磨耗参数能影响构架横向失稳；另外A架的轮径差表现形式(同相或反相轮径差)和非动力车厢B架偏大的反相轮径差也能影响构架横向失稳；最后,本文阐述了分类模型在轮对运用的质量控制和轮对检修决策方面起到的作用,分析了轮对检测数据在挖掘过程中存在的不足,并对今后更好的利用现场积累的历史数据,服务现场生产管理提出了自己的看法。