研究了制动力曲线异常检测方法,分析了回踩异常特性,考虑了制动力检测工况和制动力曲线变化趋势,基于余弦相似度与相对误差,对制动力数据进行聚类,建立了制动力曲线分段算法;将制动力曲线分为阻滞段、上升段、持续段和释放段,提取出相应的数据子集;对3家检验机构的9 120条制动力曲线进行人工筛选和分析,归纳了制动超前、回踩、增长滞后3种异常特征,给出了相应异常检测算法;对于较难识别的回踩异常,根据动态规划思想,找出上升段最长连续趋势下降子序列,计算了该子序列占制动力曲线上升段的行程比,并结合经验值来判定该子序列是否异常。研究结果表明:对于维度不大于32的低维制动力数据,通过余弦相似度可聚类制动力曲线的阻滞段、上升段、持续段和释放段;对于维度大于32的高维数据,因为维数较高,行程比较小,分界点对整个序列相似度影响较小,在这种情况下,必须在考虑相似度的情况下,通过分界点的相对误差进一步约束聚类结果,可以确定制动力曲线的阻滞段、上升段、持续段和释放段;由于采集的回踩子序列占制动力曲线的行程比为9.8%,大于行程比的经验阈值8.2%,因此,该制动力曲线具有回踩异常,判断结果正确,方法可靠。