我国的主型客车转向架包括P系列转向架,其专用于普通快速客车。这种普速列车不仅在中小城市间的客运运输发挥了重要的作用,而且是我国重要长途客运线路上不可忽视的关键角色,比如青藏线、京九线。在高速动车组列车逐渐普及之时,普速客车依然需要承担着客运运输的重要责任。但是随着列车运营里程的增加,列车的运行安全将不可避免的面临着疲劳、损伤等问题的挑战,而转向架构架作为铁道车辆的主要承载件之一,对其进行结构状态监测,了解其运营时的健康状态,对列车运行安全具有十分重大的意义^[1,2]。研究以209P型客车转向架构架为研究对象,基于传感器分布优化,分别搭建了构架动载荷和静载荷的状态监测系统。不同载荷下的构架状态监测中,传感器分布优化都包括了两个优化目标,目标函数I:传感器数量;目标函数II:超球体聚类指标。为定义双目标函数,首先根据相似理论设计构架结构模型。然后模拟构架正常状态下的多种工况,获取构架的正常状态响应信号,在优化支持向量数据描述（SVDD）参数之后,用构架正常状态响应数据去建立SVDD超球体模型,并根据超球体对正常样本的包裹度作为对正常样本的聚类指标。聚类指标越大,对异常样本的识别精度会越高,故以此作为目标函数II。再然后根据改进的非劣分层遗传算法（NSGA-II）优化传感器网络,分别得到了优化后的加速度传感器网络和应变传感器网络。最后,根据优化后的传感器网络,采用单分类思想,采集构架异常状态响应信号,并用构架正常状态响应信号基于SVDD建立超球体模型,用于验证构架异常状态识别的准确性。最后得到结果如下:1)对于优化后的加速度传感器网络,第1非劣层的传感器分布方式有3种,其传感器数量由1个增至3个时,对应的构架异常状态识别精度分别为:79.24%、94.80%、99.81%。2)对于优化后的应变传感器网络,第1非劣层的传感器分布方式有3种,其传感器数量由1个增至3个时,对应的构架异常状态识别精度分别为:15.33%,88.67%,91.33%。