列车轴承温度的处理方法、装置及存储介质与流程

本发明涉及列车检修技术领域，具体地，涉及一种列车轴承温度的处理方法、装置及存储介质。

背景技术：

铁路车辆在运行过程中，如果轴承内部损伤或外部不合理受力，会导致轴承发生结构部件过度磨耗、损坏、卡滞等故障。如果不及时对这些轴承故障发出警告，最终会导致发生热切轴等严重的列车安全事故。目前铁路列车应用车辆轴温智能探测系统(tracehotboxdetectionsystem，thds)，对行进列车的车辆轴温进行非接触式探测，从轴温上判断轴承运行状态，对过高的轴温及时发出警告，可以避免出现列车热切轴事故，保障列车安全运行。但是当thds出现报警时车辆轴温往往已经较高，可能已经对行车安全有了严重影响。

技术实现要素：

本发明实施例的目的是提供一种列车轴承温度的处理方法、装置及存储介质，解决了现有技术中不能对列车热轴的早期预警问题，实现了利用thds历史数据在热轴报警前的故障潜伏期进行预判，为评估轴承的健康状况和列车运行的安全性提供科学依据。

为了实现上述目的，本发明提供一种列车轴承温度的处理方法，所述方法包括：在当前thds探测数据中，连续获取预设个数探测站的探测记录，所述当前探测数据包括当前探测站的探测记录以及历史探测站的探测记录，所述探测记录中包括固定个数的轴承温升数据；对所述预设个数探测站的探测记录进行数据预处理，所述数据预处理包括异常值处理、缺失值处理以及指数加权移动平均处理中的至少一种；根据预处理后的探测记录中的轴承温升数据以及所述温升数据的预设特征参数，进行滑窗处理，得到所述预设特征参数的滑窗累加值；根据所述预设特征参数的滑窗累加值以及对应的预设权重值，得到所述当前探测数据对应的轴承状态预测值；判断所述轴承状态预测值是否大于或等于预警阈值；若所述轴承状态预测值大于或等于所述预警阈值，提示轴承存在潜在故障。

进一步地，所述在当前thds探测数据中，连续获取预设个数探测站的探测记录包括：当接收到当前探测站的探测记录时，获取更新后的当前thds探测数据；在更新后的所述当前thds探测数据中，连续获取预设个数探测站的探测记录，所述预设个数探测站包括当前探测站。

进一步地，所述对所述预设个数探测站的探测记录进行数据预处理包括：将所述预设个数探测站的探测记录中满足预设异常值条件的探测记录删除；根据被删除的探测记录的条数，在所述历史探测站的探测记录中，且在连续获取所述预设个数探测站的探测记录之前，连续获取所删除条数的探测记录，得到所述预设个数探测站的探测记录。

进一步地，所述对所述预设个数探测站的探测记录进行数据预处理包括：将所述预设个数探测站的探测记录中存在缺失值的探测记录删除；根据被删除的探测记录的条数，在所述历史探测站的探测记录中，且在连续获取所述预设个数探测站的探测记录之前，连续获取所删除条数的探测记录，得到所述预设个数探测站的探测记录。

进一步地，所述对所述预设个数探测站的探测记录进行数据预处理包括：根据对所述预设个数探测站的探测记录中的同一个轴承传感器的温升数据序列进行指数加权移动平均处理，其中，vj(t)为第j个轴承传感器的温升数据序列中的第t个温升平滑值，θt为温升数据序列中第t个实际温升值，θi为温升数据序列中第i个实际温升值，β为加权系数，n为所述预设个数，m为所述固定个数。

进一步地，所述预设特征参数包括同轴时间序列趋势异常值、同轴时间序列骤升值、同辆比第一大值、同辆比第二大值、同辆比异常大值和同辆比异常值，所述根据预处理后的探测记录中的轴承温升数据以及所述温升数据的预设特征参数，进行滑窗处理，得到所述预设特征参数的滑窗累加值包括：在预处理后的所述预设个数的探测记录中，连续提取指定个数的探测记录，在具有与所述指定个数对应的窗口长度的第一个窗口，进行如下处理：在所述指定个数的探测记录中的轴承温升数据中，提取每一个轴承传感器的温升数据序列，并根据每一个轴承传感器的温升数据序列的平均值、标准差以及第一标准差系数，确定所有轴承传感器的温升数据序列中出现同轴时间序列趋势异常值的次数；在所述指定个数的探测记录中的轴承温升数据中，提取每一个轴承传感器的温升数据序列，并根据每一个轴承传感器的温升数据序列中后一个时间的温升值与前一个时间的温升值的比较结果，确定所有轴承传感器的温升数据序列中出现同轴时间序列骤升值的次数；在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列中出现第一大值的轴承传感器的个数，确定所述指定个数的探测记录的温升数据序列中出现同辆比第一大值的总数；在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列中出现第二大值的轴承传感器的个数，确定所述指定个数的探测记录的温升数据序列中出现同辆比第二大值的总数；在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列的平均值、标准差以及第二标准差系数，确定所述指定个数的探测记录的温升数据序列中出现同辆比异常大值的次数；在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列的平均值、标准差以及所述第一标准差系数，确定所述指定个数的探测记录的温升数据序列中出现同辆比异常值的次数；按照预设滑动步长，在预处理后的所述预设个数的探测记录中，提取所述指定个数的探测记录，并继续执行上述预设特征参数的处理，直到得到设定个数窗口对应的预设特征参数的数值；将所述设定个数窗口对应的预设特征参数的数值对应累加，得到所述预设特征参数的滑窗累加值。

进一步地，所述在所述指定个数的探测记录中的轴承温升数据中，提取每一个轴承传感器的温升数据序列，并根据每一个轴承传感器的温升数据序列的平均值、标准差以及第一标准差系数，确定所有轴承传感器的温升数据序列中出现同轴时间序列趋势异常值的次数包括：在所述指定个数的探测记录中的轴承温升数据中，提取每一个轴承传感器的温升数据序列，并剔除所述温升数据序列中的第一大值和第二大值；计算剔除第一大值和第二大值之后的每一个轴承传感器的温升数据序列的平均值与标准差，确定所述标准差与所述第一标准差系数的乘积与所述平均值的和值，并将所述和值确定为趋势异常值阈值；判断每一个轴承传感器的温升数据序列中出现大于或等于所述趋势异常值阈值的趋势异常温升值的次数，并将每一个轴承传感器的温升数据序列中的趋势异常温升值的次数求和，得到所有轴承传感器的温升数据序列中出现同轴时间序列趋势异常值的次数。

进一步地，所述在所述指定个数的探测记录中的轴承温升数据中，提取每一个轴承传感器的温升数据序列，并根据每一个轴承传感器的温升数据序列中后一个时间的温升值与前一个时间的温升值的比较结果，确定所有轴承传感器的温升数据序列中出现同轴时间序列骤升值的次数包括：在所述指定个数的探测记录中的轴承温升数据中，提取每一个轴承传感器的温升数据序列；根据每一个轴承传感器的温升数据序列中后一个时间的温升值与前一个时间的温升值的差值与预设骤升阈值的比较结果，确定每一个轴承传感器的温升数据序列的骤升温升值的次数；将每一个轴承传感器的温升数据序列中的骤升温升值的次数求和，得到所有轴承传感器的温升数据序列中出现同轴时间序列骤升值的次数。

进一步地，所述在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列中出现第一大值的轴承传感器的个数，确定所述指定个数的探测记录的温升数据序列中出现同辆比第一大值的总数包括：在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列；根据每一条探测记录的温升数据序列中出现第一大值的轴承传感器的个数，确定每一条探测记录的温升数据序列的第一大温升值的个数；将每一条探测记录的温升数据序列中的第一大温升值的个数求和，得到所述指定个数的探测记录的温升数据序列中出现同辆比第一大值的总数。

进一步地，所述在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列中出现第二大值的轴承传感器的个数，确定所述指定个数的探测记录的温升数据序列中出现同辆比第二大值的总数包括：在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列；根据每一条探测记录的温升数据序列中出现第二大值的轴承传感器的个数，确定每一条探测记录的温升数据序列的第二大温升值的个数；将每一条探测记录的温升数据序列中的第二大温升值的个数求和，得到所述指定个数的探测记录的温升数据序列中出现同辆比第二大值的总数。

进一步地，所述在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列的平均值、标准差以及第二标准差系数，确定所述指定个数的探测记录的温升数据序列中出现同辆比异常大值的次数包括：在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列；计算每一条探测记录的温升数据序列的平均值与标准差，确定所述标准差与所述第二标准差系数的乘积与所述平均值的和值，并将所述和值确定为异常大值阈值；判断每一条探测记录的温升数据序列中出现大于或等于所述异常大值阈值的异常大温升值的次数，并将每一条探测记录的温升数据序列中的异常大温升值的次数求和，得到所述指定个数的探测记录的温升数据序列中出现同辆比异常大值的次数。

进一步地，所述在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列的平均值、标准差以及所述第一标准差系数，确定所述指定个数的探测记录的温升数据序列中出现同辆比异常值的次数包括：在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并剔除所述温升数据序列中的第一大值和第二大值；计算剔除第一大值和第二大值之后的每一条探测记录的温升数据序列的平均值与标准差，确定所述标准差与所述第一标准差系数的乘积与所述平均值的和值，并将所述和值确定为异常值阈值；判断每一条探测记录的温升数据序列中出现大于或等于所述异常值阈值的异常温升值的次数，并将每一条探测记录的温升数据序列中的异常温升值的次数求和，得到所述指定个数的探测记录的温升数据序列中出现同辆比异常值的次数。

进一步地，在所述判断所述轴承状态预测值是否大于或等于预警阈值之后，所述方法还包括：若所述轴承状态预测值小于所述预警阈值，等待接收下一个探测站的探测记录。

相应的，本发明实施例还提供一种列车轴承温度的处理装置，所述装置用于执行如上所述的列车轴承温度的处理方法。

相应的，本发明实施例还提供一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如上所述的列车轴承温度的处理方法。

通过上述技术方案，利用thds当前探测数据以及历史探测数据，进行数据预处理之后，根据预处理后的探测记录中的轴承温升数据以及所述温升数据的预设特征参数，进行滑窗处理，得到所述预设特征参数的滑窗累加值，然后根据所述预设特征参数的滑窗累加值以及对应的预设权重值，得到所述当前探测数据对应的轴承状态预测值，若所述轴承状态预测值大于或等于所述预警阈值，则提示轴承存在潜在故障。本发明实施例解决了现有技术中不能对列车热轴的早期预警问题，实现了利用thds历史数据在热轴报警前的故障潜伏期进行预判，为评估轴承的健康状况和列车运行的安全性提供科学依据。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是本发明实施例提供的一种列车轴承温度的处理方法的流程示意图；

图2是本发明实施例提供的部分探测站的温升数据；

图3是本发明实施例提供的thds的温升数据的特征参数结构；

图4是本发明实施例提供的滑窗示意图；

图5是本发明实施例提供的另一种列车轴承温度的处理方法的流程示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

图1是本发明实施例提供的一种列车轴承温度的处理方法的流程示意图。如图1所示，所述方法包括如下步骤：

步骤101，在当前车辆轴温智能探测系统thds探测数据中，连续获取预设个数探测站的探测记录，所述当前探测数据包括当前探测站的探测记录以及历史探测站的探测记录，所述探测记录中包括固定个数的轴承温升数据；

步骤102，对所述预设个数探测站的探测记录进行数据预处理，所述数据预处理包括异常值处理、缺失值处理以及指数加权移动平均处理中的至少一种；

步骤103，根据预处理后的探测记录中的轴承温升数据以及所述温升数据的预设特征参数，进行滑窗处理，得到所述预设特征参数的滑窗累加值；

步骤104，根据所述预设特征参数的滑窗累加值以及对应的预设权重值，得到所述当前探测数据对应的轴承状态预测值；

步骤105，判断所述轴承状态预测值是否大于或等于预警阈值；

步骤106，若所述轴承状态预测值大于或等于所述预警阈值，提示轴承存在潜在故障。

其中，本发明实施例中的温升数据均为相对温升值，即轴承温度减去环境温度。

列车每进入一个探测站，就会接收一个探测站的thds探测数据，结合之前经过的探测站所得的探测记录，利用了这些thds探测数据进行轴承故障的预警。

其中，当列车进入到当前探测站时，会接收到当前探测站的探测记录，将当前探测站的探测记录记入到thds探测数据中，从而得到更新后的当前thds探测数据。在更新后的所述当前thds探测数据中，连续获取预设个数探测站的探测记录，所述预设个数探测站包括当前探测站。以图2提供的部分探测站的温升数据所示(其中温升数据的单位为℃)，探测站的温升数据是以时间先后进行排序的，即探测站中的序号越大，代表该探测站的温升数据获取越晚，所得温升数据越新。探测站1为最早获取的探测站的温升数据，探测站45为最新获取的探测站的温升数据，即探测站45为当前探测站。每个探测站的探测记录包括固定个数的轴承传感器的温升数据，在本发明实施例中固定个数为16，即每条探测记录包括16个温升数据。以所述预设个数为19为例，包括当前探测站在内连续获取19个探测站的探测记录，即获取从探测站45至27的探测站的探测记录。

将所述19条探测记录进行数据预处理，其中所述数据预处理包括异常值处理、缺失值处理以及指数加权移动平均处理中的至少一种。

异常值定义为在轴承温升数据集中存在的不合理的值，是由于传感器工作异常产生的粗大误差。由于轴承温升数据存在波动情况，无法掌握温升数值，为保证数据的真实性，因此选择删除含有异常值的记录。其中，当对所述19条探测记录进行异常值处理时，首先查看每条探测记录是否满足预设异常值条件，对于满足所述预设异常值条件的探测记录则进行删除。所述预设异常值条件包括非整数温升值，例如，当探测记录中的温升值存在负数时，则删除该条探测记录；还包括其它不符合客观规律的数值，例如将所述19条探测记录，每条探测记录中包括16个数据看作一个行数为19，列数为16的矩阵时，在该矩阵中的第一列，即对应于1轴左内的温升数据，若该列数据中出现的数值为12.8，14.7，8.7，0.3，7.9，…，对于同一个轴承传感器，其温升数据应该呈逐渐上升的趋势，但是其中有一个数值为0.3，则可判断为异常值，其对应的探测记录，即第4探测站的探测记录删除。

对于上述删除的探测记录，可根据被删除的探测记录的条数，在所述历史探测站的探测记录中，在连续获取所述预设个数探测站的探测记录之前，继续连续获取所删除条数的探测记录，重新得到所述预设个数探测站的探测记录。例如，经过上述异常值处理之后，被删除了3条探测记录，则在第27探测站之前，连续获取3个探测站的探测记录，即探测站26、25和24的探测记录，最终还是19条探测记录。

对于缺失值处理，若某一条探测记录中的温升值存在缺失情况，则删除该条探测记录。同样，针对于删除的探测记录，可根据被删除的探测记录的条数，在所述历史探测站的探测记录中，在连续获取所述预设个数探测站的探测记录之前，继续连续获取所删除条数的探测记录，重新得到所述预设个数探测站的探测记录。例如，经过上述缺失值处理之后，被删除了2条探测记录，则在第19探测站之前，连续获取2个探测站的探测记录，即探测站26和25的探测记录，最终还是19条探测记录。

为消除噪声和有缺陷的数据，减少数据波动，首先利用统计分析的方法对数据序列进行移动平均。由于指数加权移动平均具有一定的吸收瞬间突发的能力，也即平稳性，当比较数据的变化趋势快慢时，用指数加权移动平均更加稳定。因此，在本发明实施例中选择指数加权移动平均。对于指数加权移动平均处理，可根据下述公式(1)，对所述预设个数探测站的探测记录中的同一个轴承的温升数据序列进行指数加权移动平均处理，例如，由19条探测记录，每条探测记录中的16个数值组成的19行16列的矩阵为例，对每列的温升数据序列进行指数加权移动平均处理：

其中，vj(t)为第j个轴承传感器的温升数据序列中的第t个温升平滑值，θt为温升数据序列中第t个实际温升值，θi为温升数据序列中第i个实际温升值，β为加权系数，n为所述预设个数，m为所述固定个数。以上述19行16列的矩阵为例，即n＝19，m＝16。

在计算每个序列中的每个温升平滑值时，需要利用其对应的实际温升值以及之前的温升平滑值。

上述数据预处理，可以利用上述三种的其中任意一种，两种或三种，如果要执行上述三种数据预处理方式，则指数加权移动平均的处理方式在前两种异常值处理与缺失值处理之后，异常值处理与缺失值处理的先后顺序不做限定。经过上述三种处理方式的处理，可将数据处理的更加平滑，减少数据波动。

针对thds的温升时间序列，如图3所示，其特征参数可分为四大类：同轴时间序列、同辆比、同侧比、同列比。

在本发明实施例中，构造预设特征参数的过程包括特征提取与特征选择。其中，按照异常的表现形式不同，时间序列的异常可以分为以下三种：

a)序列异常：序列异常是指在时间序列数据集中与其它时间序列显著不同的、来源于不同产生机制的时间序列。

b)点异常：是指在一条时间序列上与其它序列点存在显著差异的、具有异常特征的序列点。

c)模式异常：是在一条时间序列上与其它模式存在显著差异的、具有异常行为的模式。

根据这三种异常模式，结合thds的监测原理和理论知识，来构造本发明实施例中的预设特征参数。

特征提取的过程，即通过对轴承温升数据进行多维度的分析，发现更有意义的潜在的变量，帮助对数据产生更深入的了解。特征参数的提取的依据包括：

a)基于时间序列、测试技术和统计学的思想，对原始数据进行数值分析，构造数值特征；

b)参考现有技术中的热轴判别模型，设置热轴预报指标。

特征选择是为了降低本发明实施例的复杂度，提高其可解释性，对数据特征进行主成分分析和相关性分析，选择与热轴判别结果相关性大的特征。最终确定所述预设特征参数包括同轴时间序列趋势异常值、同轴时间序列骤升值、同辆比第一大值、同辆比第二大值、同辆比异常大值和同辆比异常值。

在对上述预设特征参数进行处理时，采用滑窗累加的处理方式，最终得到所述预设特征参数的滑窗累加值。其中在预处理后的所述预设个数的探测记录中，连续提取指定个数的探测记录，在具有与所述指定个数对应的窗口长度的第一个窗口，分别进行如下处理：同轴时间序列趋势异常值的处理、同轴时间序列骤升值的处理、同辆比第一大值的处理、同辆比第二大值的处理、同辆比异常大值的处理和同辆比异常值的处理。其中，所述指定个数即为窗口长度，下面均以预设个数为19，指定个数为15，每条探测记录中包括16个温升数据，窗口步长为1为例，具体描述处理过程：

1)对于同轴时间序列趋势异常值的处理

在所述指定个数的探测记录中的轴承温升数据中，提取每一个轴承传感器的温升数据序列，并根据每一个轴承传感器的温升数据序列的平均值、标准差以及第一标准差系数，确定所有轴承传感器的温升数据序列中出现同轴时间序列趋势异常值的次数。

其中，对于发生故障或有潜在故障的轴承，其温升曲线常常与正常轴承的温升大小、趋势不同，甚至产生极大的偏离，歪曲了实际情况，所以在处理数据时应将其剔除，否则将对标准差、平均值产生严重的影响。由于每个轴承均采用双探方式，对于温升异常轴承，其异常数据体现在双探数据，或内外探其中一个数据。因此，在计算数据组的标准差、平均值之前，首先剔除序列中的第一大值、第二大值。

具体的，在15条探测记录中的轴承温升数据中，提取16个轴承传感器的温升数据序列中的每一个序列，并剔除所述温升数据序列中的第一大值和第二大值。然后，计算剔除第一大值和第二大值之后的16个轴承传感器的温升数据序列中的每一个序列的平均值与标准差，确定所述标准差与所述第一标准差系数的乘积与所述平均值的和值，并将所述和值确定为趋势异常值阈值，例如，所述第一标准差系数为2.7，平均值为x，标准差为sn，则趋势异常值阈值为统计每一个轴承传感器的温升数据序列中出现大于或等于所述趋势异常值阈值的趋势异常温升值的次数，并将每一个轴承传感器的温升数据序列中的趋势异常温升值的次数求和，即将16个轴承传感器的温升数据序列对应的趋势异常温升值的次数求和，得到所有轴承传感器的温升数据序列中出现同轴时间序列趋势异常值的次数。

2)对于同轴时间序列骤升值的处理

在所述指定个数的探测记录中的轴承温升数据中，提取每一个轴承传感器的温升数据序列，并根据每一个时间的轴承传感器的温升数据序列中后一个时间的温升值与前一个温升值的比较结果，确定所有轴承传感器的温升数据序列中出现同轴时间序列骤升值的次数。

其中，当轴承发生突发故障，如密封罩脱出，温升会急剧升高，因此，需要利用温升数据判断是否出现骤升值，并统计出现次数。

具体的，在15条探测记录中的轴承温升数据中，提取16个轴承传感器的温升数据序列中的每一个序列。然后，根据每一个轴承传感器的温升数据序列中后一个时间的温升值与前一个时间的温升值的差值与预设骤升阈值的比较结果，确定每一个轴承传感器的温升数据序列的骤升温升值的次数。其中，所述预设骤升阈值的确定可根据不同的环境温度来有针对性地设置，例如，当处于夏季时，环境温度较高，由于轴承传感器的温升数据受环境温度影响，则可将所述预设骤升阈值设置的较大；当处于冬季时，则可将所述预设骤升阈值设置的较小。以图2所示的数据为例，当提取1轴左内的温升数据序列后，即获取1轴左内对应于探测站27到探测站41的温升数据。然后，逐一获取探测站41的温升数据与探测站40的温升数据之间的差值，并判断该差值是否大于或等于预设骤升阈值，若该差值大于或等于所述预设骤升阈值，则将该1轴左内的温升数据序列的骤升温升值的次数加1。之后，再获取探测站40与探测站39之间的温升数据的差值，并与所述预设骤升阈值进行比较，若差值大于或等于所述预设骤升阈值，则将该1轴左内的温升数据序列的骤升温升值的次数加1。按照上面的处理方式，逐一进行处理，直到将该1轴左内的温升数据序列中的第27站与第28站的温升数据进行比较后，最终得到该1轴左内的温升数据序列的骤升温升值的次数。依照上述方式，得到16个轴承传感器的温升数据序列对应的骤升温升值的次数。然后将每一个轴承传感器的温升数据序列中的骤升温升值的次数求和，得到所有轴承传感器的温升数据序列中出现同轴时间序列骤升值的次数，即将16个骤升温升值的次数求和，最终得到同轴时间序列骤升值的次数。

3)对于同辆比第一大值的处理

在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列中出现第一大值的轴承传感器的个数，确定所述指定个数的探测记录的温升数据序列中出现同辆比第一大值的总数。

其中，根据故障轴承的历史数据分析，其轴承温升数据常处于第一大值和第二大值。另外，根据统计，tads(tracksideacousticdetectionsystem，轨边声学诊断系统)报警的故障轴承在其报警后的thds数据中多次出现前两大值的情况。因此，统计轴承温升数据出现在前两大值的次数，可以反映轴承的性能状态。

具体的，在15条探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列。然后，根据每一条探测记录的温升数据序列中出现第一大值的轴承传感器的个数，确定每一条探测记录的温升数据序列的第一大温升值的个数。以图2所示的探测站1的探测记录为例，其中有4个轴承传感器的温升数据为第一大值6.5，则探测站1的探测记录的温升数据序列的第一大温升值的个数为4。如此，得到所有探测记录的温升数据序列中的第一大温升值的个数，并将每一条探测记录的温升数据序列中的第一大温升值的个数求和，得到所述指定个数的探测记录的温升数据序列中出现同辆比第一大值的总数。

4)对于同辆比第二大值的处理

在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列中出现第二大值的轴承传感器的个数，确定所述指定个数的探测记录的温升数据序列中出现同辆比第二大值的总数。

同上述处理同辆比第二大值的方式，在15条探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列。然后，根据每一条探测记录的温升数据序列中出现第二大值的轴承传感器的个数，确定每一条探测记录的温升数据序列的第二大温升值的个数。还是以图2所示的探测站1的探测记录为例，其中有1个轴承传感器的温升数据为第二大值6.4，则探测站1的探测记录的温升数据序列的第二大温升值的个数为1。如此，得到所有探测记录的温升数据序列中的第二大温升值的个数，并将每一条探测记录的温升数据序列中的第二大温升值的个数求和，得到所述指定个数的探测记录的温升数据序列中出现同辆比第二大值的总数。

5)对于同辆比异常大值的处理

在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列的平均值、标准差以及第二标准差系数，确定所述指定个数的探测记录的温升数据序列中出现同辆比异常大值的次数。

其中，故障轴承会有较高概率出现异常大的温升值，因此需要分析探测记录中的同辆比异常大值，并统计出现次数。

具体的，在15条探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列。然后计算每一条探测记录的温升数据序列的平均值与标准差，确定所述标准差与所述第二标准差系数的乘积与所述平均值的和值，并将所述和值确定为异常大值阈值。例如，所述第二标准差系数为2.85，平均值为y，标准差为pn，则异常大值阈值为统计每一条探测记录的温升数据序列中出现大于或等于所述异常大值阈值的异常大温升值的次数，并将每一条探测记录的温升数据序列中的异常大温升值的次数求和，即将15条探测记录的温升数据序列对应的异常大温升值的次数求和，得到所述指定个数的探测记录的温升数据序列中出现同辆比异常大值的次数。

6)对于同辆比异常值的处理

在所述指定个数的探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列的平均值、标准差以及所述第一标准差系数，确定所述指定个数的探测记录的温升数据序列中出现同辆比异常值的次数。

与处理同轴时间序列趋势异常值的方式相类似，均需要在计算数据组的标准差、平均值之前，首先剔除序列中的第一大值、第二大值。

具体的，在15条探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并剔除所述温升数据序列中的第一大值和第二大值。然后，计算剔除第一大值和第二大值之后的15条探测记录的温升数据序列中的每一个序列的平均值与标准差，确定所述标准差与所述第一标准差系数的乘积与所述平均值的和值，并将所述和值确定为异常值阈值。例如，所述第一标准差系数为2.7，平均值为标准差为qn，则趋势异常值阈值为统计每一条探测记录的温升数据序列中出现大于或等于所述异常值阈值的异常温升值的次数，并将每一条探测记录的温升数据序列中的异常温升值的次数求和，即将15条探测记录的温升数据序列对应的异常温升值的次数求和，得到所述指定个数的探测记录的温升数据序列中出现同辆比异常值的次数。

上述6个预设特征参数的处理是并行的，处理不分先后顺序。上述6个预设特征参数的处理对应于第一个窗口，即第一个窗口包括的探测记录为探测站27到探测站41的探测记录，所得数值也是对应于第一个窗口。在进行滑窗处理时，按照预设滑动步长，例如所述预设滑动步长为1，则在预处理后的19条探测记录中，滑动1个步长，得到第二个窗口对应的15条探测记录，即第二个窗口包括的探测记录为探测站28到探测站42的探测记录，然后继续执行上述预设特征参数的处理，从而得到第二个窗口对应的6个预设特征参数的数值。之后，再滑动1个步长，得到第三个窗口对应的15条探测记录，即第三个窗口包括的探测记录为探测站29到探测站43的探测记录，然后再继续执行上述预设特征参数的处理，从而得到第三个窗口对应的6个预设特征参数的数值。之后，再滑动1个步长，得到第四个窗口对应的15条探测记录，即第四个窗口包括的探测记录为探测站30到探测站44的探测记录，然后再继续执行上述预设特征参数的处理，从而得到第四个窗口对应的6个预设特征参数的数值。之后，再滑动1个步长，得到第五个窗口对应的15条探测记录，即第五个窗口包括的探测记录为探测站31到探测站45的探测记录，然后再继续执行上述预设特征参数的处理，从而得到第五个窗口对应的6个预设特征参数的数值。依此执行，最终得到设定个数窗口对应的预设特征参数的数值，即5个窗口对应的预设特征参数的数值。如图4所示，连续获取19个探测站的探测记录，指定个数为15的窗口长度，滑动步长为1，得到了设定个数为5的窗口对应的预设特征参数的数值。

然后将上述5个窗口对应的预设特征参数的数值对应累加，得到所述预设特征参数的滑窗累加值。

例如，同轴时间序列趋势异常值的滑窗累加值为其中，abnomal_trend(a)为第a个窗口对应的同轴时间序列趋势异常值，w为窗口个数。

同轴时间序列骤升值的滑窗累加值为其中，sudden_rise(a)为第a个窗口对应的同轴时间序列骤升值，w为窗口个数。

同辆比第一大值的滑窗累加值为其中，max1(a)为第a个窗口对应的同辆比第一大值，w为窗口个数。

同辆比第二大值的滑窗累加值为其中，max2(a)为第a个窗口对应的同辆比第二大值，w为窗口个数。

同辆比异常大值的滑窗累加值为其中，target_large(a)为第a个窗口对应的同辆比异常大值，w为窗口个数。

同辆比异常值的滑窗累加值为其中，target(a)为第a个窗口对应的同辆比异常值，w为窗口个数。

在得到上述预设特征参数的滑窗累加值之后，根据下述公式，得到所述当前探测数据对应的轴承状态预测值add：

add＝abnomal_trend*λ1+sudden_rise*λ2+max1*λ3+max2*λ4+target_large*λ5+target*λ6

其中，λ1、λ2、λ3、λ4、λ5和λ6分别为同轴时间序列趋势异常值、同轴时间序列骤升值、同辆比第一大值、同辆比第二大值、同辆比异常大值和同辆比异常值的滑窗累加值对应的预设权重值。

对于上述预设权重值，可根据各预设特征参数反映轴承性能状态的程度，即其发生次数与故障先兆的相关性，通过相关性分析，对各预设特征参数设置权重。

相关分析是分析一对变量之间联系的基于统计学的技术，为了更加准确地描述变量之间的线性相关程度，可以通过计算相关系数来进行相关性分析。试验并统计故障轴承和正常轴承处于特征状态的次数与对应健康状态的相关性，作为各预设特征参数权重的依据之一。

另外，上述预设特征参数对应的预设权重值可随着本发明实施例的应用进行调整，使得本发明实施例预警更加准确。

在得到当前探测数据对应的轴承状态预测值之后，判断所述轴承状态预测值是否大于或等于预警阈值。若所述轴承状态预测值大于或等于所述预警阈值，则提示轴承存在潜在故障，需要着重检查。若所述轴承状态预测值小于所述预警阈值，则等待接收下一个探测站的探测记录，并执行上述实施例，从而得到新的轴承状态预测值，并判断是否需要预警。

为了便于理解本发明实施例，下面以预设个数为19，固定个数为16，指定个数为15，预设滑动步长为1进行举例，描述本发明实施例。图5是本发明实施例提供的一种列车轴承温度的处理方法的流程示意图。如图5所示，所述方法包括如下步骤：

步骤501，当接收到当前探测站的探测记录时，获取更新后的当前thds探测数据；

步骤502，在更新后的所述当前thds探测数据中，连续获取19个探测站的探测记录，所述预设个数探测站包括当前探测站；

步骤503，对所述19个探测站的探测记录进行数据预处理，所述数据预处理包括异常值处理、缺失值处理以及指数加权移动平均处理中的至少一种。

对于步骤503中数据预处理的详细过程可参见上述实施例中的相关内容。

步骤504，在预处理后的所述19条探测记录中，连续提取15条探测记录，在具有窗口长度为15的第一个窗口，执行步骤505-510；

步骤505，在所述15条探测记录中的轴承温升数据中，提取16个轴承传感器的温升数据序列中的每一个序列，并根据每一个轴承传感器的温升数据序列的平均值、标准差以及第一标准差系数，确定16个轴承传感器的温升数据序列中出现同轴时间序列趋势异常值的次数；

步骤506，在所述15条探测记录中的轴承温升数据中，提取16个轴承传感器的温升数据序列中的每一个序列，并根据每一个轴承传感器的温升数据序列中后一个时间的温升值与前一个时间的温升值的比较结果，确定16个轴承传感器的温升数据序列中出现同轴时间序列骤升值的次数；

步骤507，在所述15条探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列中出现第一大值的轴承传感器的个数，确定所述15条探测记录的温升数据序列中出现同辆比第一大值的总数；

步骤508，在所述15条探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列中出现第二大值的轴承传感器的个数，确定所述15条探测记录的温升数据序列中出现同辆比第二大值的总数；

步骤509，在所述15条探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列的平均值、标准差以及第二标准差系数，确定所述15条探测记录的温升数据序列中出现同辆比异常大值的次数；

步骤510，在所述15条探测记录中的轴承温升数据中，提取每一条探测记录的温升数据序列，并根据每一条探测记录的温升数据序列的平均值、标准差以及所述第一标准差系数，确定所述15条探测记录的温升数据序列中出现同辆比异常值的次数；

步骤511，判断当前窗口数是否达到第5个窗口，是则执行步骤512，否则按照预设滑动步长为1，在预处理后的所述19条探测记录中，提取下一个窗口的15条探测记录，并继续执行上述步骤505-510的处理，直到得到所述5个窗口对应的预设特征参数的数值；

步骤512，将所述5个窗口对应的预设特征参数的数值对应累加，得到所述预设特征参数的滑窗累加值；

步骤513，根据所述预设特征参数的滑窗累加值以及对应的预设权重值，得到所述当前探测数据对应的轴承状态预测值；

步骤514，判断所述轴承状态预测值是否大于或等于预警阈值，是则执行步骤515，否则返回步骤501等待接收下一个探测站的探测记录；

步骤515，提示轴承存在潜在故障。

通过本发明实施例，利用thds的历史数据，分析轴承的状态，对故障轴承早期预警，解决了现有技术中不能对列车热轴的早期预警问题，实现了利用thds历史数据在热轴报警前的故障潜伏期进行预判，为评估轴承的健康状况和列车运行的安全性提供科学依据。

相应的，本发明实施例还提供一种列车轴承温度的处理装置，所述装置用于执行上述实施例所述的列车轴承温度的处理方法。

相应的，本发明实施例还提供一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例所述的列车轴承温度的处理方法。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。