具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例 仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领 域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于 本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这 样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语 “包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含 了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步 骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的 其它步骤或单元。

根据本申请的实施例，提供了一种车辆轴承的轴温故障的预警方法。

图1是根据本申请实施例的车辆轴承的轴温故障的预警方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，获取车辆当前运行时的工作数据，其中，工作数据为与车辆的轴承温度相关的数据；

步骤S102，采用回归预测模型分析工作数据，预测得到车辆在后续运行过程中不同时间段内的轴承温度；

步骤S103，基于预测得到的车辆在后续运行过程中不同时间段内的轴承温度，确定车辆的轴承是否在后续对应的时间段内存在故障。

通过上述步骤S101-步骤S103，可以实现针对的轴承温度的实时监测，通过预先构建的轴温(轴承温度)的回归预测模型实现地面平台系统监测比车上的报警提前， 达到从平台上能够对轴温提前预警的目的，从而提前预测车辆的轴承故障，为高速运 转的车辆提供重要的预警手段。

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警方法中，在预测得到车辆在后续运行过程中不同时间段内的轴承温度之前，该方法还包括：获取车辆的样 本数据，其中，样本数据为采集的历史工作数据，历史工作数据至少包括：历史时间 段内检测到的车辆的历史轴承温度，与历史轴承温度对应的车辆速度和环境温度；从 历史工作数据提取样本特征；采用至少一种回归模型来训练样本特征，获取车辆处于 正常运行状态下的回归预测模型，其中，回归模型包括如下至少之一：多元线性回归 模型、支持向量机回归模型和随机森林回归模型。

在上述方案中，将所得的例如，至少包括：历史时间段内检测到的车辆的历史轴承温度，与历史轴承温度对应的车辆速度和环境温度的历史工作数据中提取特征，得 到样本特征。然后进行建模，利用多种回归模型并选取最优回归模型拟合一条标准曲 线得出列车在正常时的模型。也即，选择任意一种回归模型对样本特征进行拟合，生 成采用标准曲线进行表征的回归预测模型。

回归模型可以如下：

1、多元线性回归模型

常用的回归方法是普通最小二乘回归(OLS)法，包括简单线性回归、多项式回归和多元线性回归，它是通过预测变量的加权和来预测量化的因变量，其中权重是通过 数据估计而得的参数。在本研究中轴温受到速度等多个因素影响，轴温是因变量，其 他影响因素为自变量。

多元回归拟合模型的形式：

Y＝b0+b1*X1+b2*X2+...b_p*X_p

其中，b0是截距项，b1,b2,...,b_p为回归系数，

我们的目标是通过减少响应变量的真实值与预测值的差值来获得模型参数(截距项和斜率)。具体而言，即使得残差平方和最小。

2、支持向量机回归

支持向量机(SVM)是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则为了最小化期望风险，应同时最小化经验风险和置信 范围

支持向量机方法的思想如下：

(1)它是专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力；

(2)它最终解决的是一个凸二次规划问题，从理论上说，得到的将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题；

(3)它将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策函数，巧妙地解决了维数问题，并保证了有 较好的推广能力，而且算法复杂度与样本维数无关。

目前，SVM算法在模式识别、回归估计、概率密度函数估计等方面都有应用，且 算法在效率与精度上已经超过传统的学习算法或与之不相上下。

3、随机森林回归

模型组合+决策树相关的算法有两种比较基本的形式，随机森林与GBDT(GradientBoost Decision Tree)，其他的比较新的模型组合+决策树的算法都是来自这两种算法 的延伸。

随机森林可以用于几乎任何一种预测问题(包括非线性问题)。它是一个相对较新的机器学习策略(90年代诞生于贝尔实验室)可以用在任何方面。它属于机器学习中 的集成学习这一大类。

随机森林聚合的是回归树，一颗决策树是由一系列的决策组合而成的，可用于数据集的观测值进行分类。决策树的学习算法有ID3算法和C4.5算法等。

随机森林分别训练一系列的决策树，所以训练过程是并行的。因算法中加入随机过程，所以每个决策树又有少量区别。通过合并每个树的预测结果来减少预测的方差， 提高在测试集上的性能表现。

(1)在数据集上表现良好，两个随机性的引入，使得随机森林不容易陷入过拟合；

(2)在当前的很多数据集上，相对其他算法有着很大的优势，两个随机性的引入，使得随机森林具有很好的抗噪声能力；

(3)它能够处理很高维度(feature很多)的数据，可以不做特征选择，对数据 集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化；

(4)训练速度快，可以得到变量重要性排序(两种：基于OOB误分率的增加量和 基于分裂时的GINI下降量；

(5)在训练过程中，能够检测到feature间的互相影响；

(6)容易做成并行化方法；

(7)实现比较简单。

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警方法中，在获取车辆处于正常运行状态下的回归预测模型之后，该方法包括：获取回归预测模型的模型误 差；基于模型误差，确定用于确定轴承温度处于安全范围内的边界范围值。

也即，根据模型误差，确定边界范围值，在实际温度在边界范围值内的认为是正常值，否则为异常值，

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警方法中，在预测得到车辆在后续运行过程中不同时间段内的轴承温度之后，该方法包括：检测后续运行过 程中不同时间段内的轴承温度是否处于边界范围值内；如果检测到任意一个时间段内 预测得到的轴承温度超出边界范围值，则将预测得到的轴承温度输入到预警模型中进 行分析。

也即，首先把实时数据代入回归预测模型，得到预测后的轴承温度；将预测得到的轴承温度基于边界范围值进行判定，得到当前的轴承温度是否超出边界范围值；若 超出，则代入预警模型，进行进一步判定。

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警方法中，基于预测得到的车辆在后续运行过程中不同时间段内的轴承温度，确定车辆的轴承是否在后续对 应的时间段内存在故障，包括：采用预警模型分析车辆在后续运行过程中不同时间段 内的轴承温度；如果后续运行过程中任意一时间段内的轴承温度满足预警模型确定的 告警条件，则确定车辆的轴承在该时间段内存在故障，并发出预警信息。

需要说明的是，上述的预警信息用于对轴温的异常进行提前预警，检修提前介入，从而保证车辆的安全运行。

综上，本申请实施例的车辆轴承的轴温故障的预警方法，结合轴承训练数据集绝大部分为正常数据的特点，把轴温预警模型抽象为机器学习中的回归预测模式，思路 新颖巧妙；利用多种机器学习算法，基于训练数据建模，并选出最优模型，其结果更 具准确性和泛化性；把机器学习优化模型与机理规则模型相结合，实现了AI算法与专 家经验的深度融合，更符合轴承实际运行特性，该技术方案对解决动车组设备故障具 有通用性。

下面结合一些数据对本方案进行说明。

1、模型数据准备

学习样本选择：抽样选择AA车型的2017年8月10号到2017年8月20号的数据， 数据包间隔30秒，样本数共428732例，模型交叉验证训练集和测试集，按照0.7比 例划分。

验证样本数据：选择AA车型的2017年8月22号样本，样本数共3658例。车内 预警时，轴温100°，预警时间16:49。

2、实验结果

2.1回归模型分析

评价回归模型的指标主要有R2，RMSE(均方根误差)。R2代表模型拟合的好坏， 越接近1，表示模型拟合越好；RMSE(均方根误差)，代表真实值与预测值之间的误差， RMSE越小，表示真实值与预测值差距越小，预测效果越准确。

三种回归模型对比结果如下表1所示：

表1

由上表1可知，应选择随机森林回归，效果较好，适合大量数据建模。

2.2轴温过滤规则确认

在采用随机森林回归建立列车运行正常的轴温模型建立之后，真实值与模型值差的绝对值的最大值为阈值，因此，模型的容忍边界设定为【-5°，5°】。确定温度异 常点后需要从中找出故障点，采用故障过滤模型实现。如下表2所示：

表2

2.3模型结论

过滤后的异常数据如下表3所示：

表3

结论：首先通过回归模型，得出实际值与正常回归值差距已经超出正常边界；再次，通过规则过滤模型得到轴温超出与外温的阈值，混合模型进行预警，由于车上预 警的控制策略是轴温大于100°，本模型可以实现相对于车上轴温预警提前5min，从 而为轴温预警提供了一种可行的技术方案。

如图2所示，通过回归建模，得到回归预测模型，然后确定异常便捷，通过故障 过滤模型识别出异常温度故障点，然后确定是否存在故障，以提升对轴温故障的预警 效果，保证车辆的运行安全的效果

综上所述，在本申请实施例提供的车辆轴承的轴温故障的预警方法，通过获取车辆当前运行时的工作数据，其中，工作数据为与车辆的轴承温度相关的数据；采用回 归预测模型分析工作数据，预测得到车辆在后续运行过程中不同时间段内的轴承温度； 基于预测得到的车辆在后续运行过程中不同时间段内的轴承温度，确定车辆的轴承是 否在后续对应的时间段内存在故障，解决了相关技术中对车辆轴承的轴温故障的预警 效果不佳的问题。进而达到了提前预测车辆轴承位温度，以确定是否存在故障，以提 升对轴温故障的预警效果，保证车辆的运行安全的效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可 以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种车辆轴承的轴温故障的预警装置，需要说明的是，本申请实施例的车辆轴承的轴温故障的预警装置可以用于执行本申请实施例所提供的用 于车辆轴承的轴温故障的预警方法。以下对本申请实施例提供的车辆轴承的轴温故障 的预警装置进行介绍。

图3是根据本申请实施例的车辆轴承的轴温故障的预警装置的示意图。如图3所示，该装置包括：第一获取模块301、预测模块302和故障分析模块303。

第一获取模块301，用于获取车辆当前运行时的工作数据，其中，工作数据为与 车辆的轴承温度相关的数据；

预测模块302，用于采用回归预测模型分析工作数据，预测得到车辆在后续运行过程中不同时间段内的轴承温度；

故障分析模块303，用于基于预测得到的车辆在后续运行过程中不同时间段内的轴承温度，确定车辆的轴承是否在后续对应的时间段内存在故障。

综上所述，本申请实施例提供的车辆轴承的轴温故障的预警装置，通过第一获取模块301获取车辆当前运行时的工作数据，其中，工作数据为与车辆的轴承温度相关 的数据；预测模块302采用回归预测模型分析工作数据，预测得到车辆在后续运行过 程中不同时间段内的轴承温度；故障分析模块303基于预测得到的车辆在后续运行过 程中不同时间段内的轴承温度，确定车辆的轴承是否在后续对应的时间段内存在故障， 解决了相关技术中对车辆轴承的轴温故障的预警效果不佳的问题。进而达到了提前预 测车辆轴承位温度，以确定是否存在故障，以提升对轴温故障的预警效果，保证车辆 的运行安全的效果。

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警装置中，该装置还包括：第二获取模块，用于获取车辆的样本数据，其中，样本数据为采集的历史工作数 据，历史工作数据至少包括：历史时间段内检测到的车辆的历史轴承温度，与历史轴 承温度对应的车辆速度和环境温度；提取模块，用于从历史工作数据提取样本特征； 第二获取模块，用于采用至少一种回归模型来训练样本特征，获取车辆处于正常运行 状态下的回归预测模型，其中，回归模型包括如下至少之一：多元线性回归模型、支 持向量机回归模型和随机森林回归模型。

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警装置中，第二获取模块包括：生成模块，用于选择任意一种回归模型对样本特征进行拟合，生成采用标准 曲线进行表征的回归预测模型。

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警装置中，该装置还包括：第三获取模块，用于获取回归预测模型的模型误差；安全范围确定模块，用于基 于模型误差，确定用于确定轴承温度处于安全范围内的边界范围值。

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警装置中，该装置还包括：检测模块，用于检测后续运行过程中不同时间段内的轴承温度是否处于边界范围 值内；输入模块，用于如果检测到任意一个时间段内预测得到的轴承温度超出边界范 围值，则将预测得到的轴承温度输入到预警模型中进行分析。

可选地，在本申请实施例提供的车辆轴承的轴温故障的预警装置中，故障分析模块包括：分析模块，用于采用预警模型分析车辆在后续运行过程中不同时间段内的轴 承温度；确定故障模块，用于如果后续运行过程中任意一时间段内的轴承温度满足预 警模型确定的告警条件，则确定车辆的轴承在该时间段内存在故障；告警模块，用于 发出预警信息。

所述车辆轴承的轴温故障的预警装置包括处理器和存储器，上述的第一获取模块301、预测模块302和故障分析模块303等均作为程序单元存储在存储器中，由处理器 执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来预警车辆轴承的轴温故障。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一 个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述车辆轴承的轴温故障的预警方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述车辆轴承的轴温故障的预警方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取车辆当前运行时的工 作数据，其中，所述工作数据为与所述车辆的轴承温度相关的数据；采用回归预测模 型分析所述工作数据，预测得到所述车辆在后续运行过程中不同时间段内的轴承温度； 基于预测得到的所述车辆在后续运行过程中不同时间段内的轴承温度，确定所述车辆 的轴承是否在后续对应的时间段内存在故障。

处理器执行程序时还实现以下步骤：在预测得到所述车辆在后续运行过程中不同时间段内的轴承温度之前，所述方法还包括：获取所述车辆的样本数据，其中，所述 样本数据为采集的历史工作数据，所述历史工作数据至少包括：历史时间段内检测到 的所述车辆的历史轴承温度，与所述历史轴承温度对应的车辆速度和环境温度；从所 述历史工作数据提取样本特征；采用至少一种回归模型来训练所述样本特征，获取所 述车辆处于正常运行状态下的所述回归预测模型，其中，所述回归模型包括如下至少 之一：多元线性回归模型、支持向量机回归模型和随机森林回归模型。

处理器执行程序时还实现以下步骤：选择任意一种回归模型对所述样本特征进行拟合，生成采用标准曲线进行表征的所述回归预测模型。

处理器执行程序时还实现以下步骤：在获取所述车辆处于正常运行状态下的所述回归预测模型之后，所述方法包括：获取所述回归预测模型的模型误差；基于所述模 型误差，确定用于确定所述轴承温度处于安全范围内的边界范围值。

处理器执行程序时还实现以下步骤：在预测得到所述车辆在后续运行过程中不同时间段内的轴承温度之后，所述方法包括：检测所述后续运行过程中不同时间段内的 轴承温度是否处于所述边界范围值内；如果检测到任意一个时间段内预测得到的轴承 温度超出所述边界范围值，则将所述预测得到的轴承温度输入到预警模型中进行分析。

处理器执行程序时还实现以下步骤：基于预测得到的所述车辆在后续运行过程中不同时间段内的轴承温度，确定所述车辆的轴承是否在后续对应的时间段内存在故障， 包括：采用预警模型分析所述车辆在后续运行过程中不同时间段内的轴承温度；如果 所述后续运行过程中任意一时间段内的轴承温度满足所述预警模型确定的告警条件， 则确定所述车辆的轴承在该时间段内存在故障，并发出预警信息。本文中的设备可以 是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取车辆当前运行时的工作数据，其中，所述工作数据 为与所述车辆的轴承温度相关的数据；采用回归预测模型分析所述工作数据，预测得 到所述车辆在后续运行过程中不同时间段内的轴承温度；基于预测得到的所述车辆在 后续运行过程中不同时间段内的轴承温度，确定所述车辆的轴承是否在后续对应的时 间段内存在故障。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在预测得到所述车辆在后续运行过程中不同时间段内的轴承温度之前，所述方法还包括：获 取所述车辆的样本数据，其中，所述样本数据为采集的历史工作数据，所述历史工作 数据至少包括：历史时间段内检测到的所述车辆的历史轴承温度，与所述历史轴承温 度对应的车辆速度和环境温度；从所述历史工作数据提取样本特征；采用至少一种回 归模型来训练所述样本特征，获取所述车辆处于正常运行状态下的所述回归预测模型， 其中，所述回归模型包括如下至少之一：多元线性回归模型、支持向量机回归模型和 随机森林回归模型。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：选择任意一种回归模型对所述样本特征进行拟合，生成采用标准曲线进行表征的所述回归预 测模型。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在获取所述车辆处于正常运行状态下的所述回归预测模型之后，所述方法包括：获取所述回 归预测模型的模型误差；基于所述模型误差，确定用于确定所述轴承温度处于安全范 围内的边界范围值。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在预测得到所述车辆在后续运行过程中不同时间段内的轴承温度之后，所述方法包括：检测 所述后续运行过程中不同时间段内的轴承温度是否处于所述边界范围值内；如果检测 到任意一个时间段内预测得到的轴承温度超出所述边界范围值，则将所述预测得到的 轴承温度输入到预警模型中进行分析。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：基于预测得到的所述车辆在后续运行过程中不同时间段内的轴承温度，确定所述车辆的轴承 是否在后续对应的时间段内存在故障，包括：采用预警模型分析所述车辆在后续运行 过程中不同时间段内的轴承温度；如果所述后续运行过程中任意一时间段内的轴承温 度满足所述预警模型确定的告警条件，则确定所述车辆的轴承在该时间段内存在故障， 并发出预警信息。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件 方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序 代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上 实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的 每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供 这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处 理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理 器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多 个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定 方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个 方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算 机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或 方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可 读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他 数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储 器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读 存储器(ROM)、电可擦除可编程只读存储器(EPROM)、快闪记忆体或其他内存技术、 只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁 带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被 计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性 的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素， 而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设 备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素， 并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施 例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算 机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算 机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同 替换、改进等，均应包含在本申请的权利要求范围之内。