1.一种齿轮箱的故障预测方法，其特征在于，包括：
采集齿轮箱的工作数据和列车运行数据；
对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理，预测得到所述齿轮箱的故障数据。
2.根据权利要求1所述的故障预测方法，其特征在于，在对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理，预测得到所述齿轮箱的故障数据之前，还包括：
对所述齿轮箱的工作数据和所述列车运行数据进行预处理，得到预处理后的数据；
对所述预处理后的数据进行筛选，得到至少一个测点对应的测点数据；
根据所述测点数据，确定所述测点数据的数据特征，其中，所述数据特征包括：基础统计特征、变化速率特征、时间窗口特征和竞争特征；
根据所述测点数据的数据特征，预测得到所述齿轮箱的故障数据。
3.根据权利要求2所述的故障预测方法，其特征在于，对所述齿轮箱的工作数据和所述列车运行数据进行预处理包括以下至少之一：
数据清洗，数模转化，数据存储格式转化，数据合并，数据缺失值填补和数据有效性验证。
4.根据权利要求2或3所述的故障预测方法，其特征在于，根据所述测点数据的数据特征，预测得到所述齿轮箱的故障数据包括：
使用故障预测模型对所述测点数据的数据特征进行智能分析，预测得到所述齿轮箱的故障数据，其中，所述故障预测模型为机器学习模型。
5.根据权利要求4所述的故障预测方法，其特征在于，在对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理，预测得到所述齿轮箱的故障数据之前，所述方法包括：
使用所述齿轮箱的工作数据和所述列车运行数据作为样本数据，训练所述故障预测模型，其中，训练所述故障预测模型包括：
根据所述样本数据，使用多种分类方法构建多个分类模型，其中，所述多个分类模型均为机器学习模型；
集成所述多个分类模型，得到所述故障预测模型。
6.根据权利要求5所述的故障预测方法，其特征在于，所述集成多个分类模型得到所述故障预测模型的方法包括以下至少之一：
投票平均(voting/averaging)方法，引导聚焦(bagging)方法，提升(boosting)方法。
7.一种齿轮箱的故障监测方法，其特征在于，包括：
采集齿轮箱的工作数据；
使用故障监测模型对所述齿轮箱的工作数据进行处理，判断所述齿轮箱的状况，其中，所述故障监测模型为使用样本数据训练得到的单一阈值模式的模型，所述样本数据包括所述齿轮箱的历史工作数据和故障数据；
当判断所述齿轮箱发生故障时，发出告警信息。
8.一种齿轮箱的故障诊断方法，其特征在于，包括：
采集齿轮箱的工作数据和列车运行数据；
对所述齿轮箱的工作数据和所述列车运行数据进行预处理，得到预处理后的数据；
对所述预处理后的数据进行筛选，得到至少一个测点对应的测点数据；
根据所述测点数据，确定所述测点数据的数据特征，其中，所述数据特征包括：基础统计特征、变化速率特征、时间窗口特征和竞争特征；
使用故障诊断模型对所述测点数据的数据特征进行智能分析处理，诊断得到所述齿轮箱的故障数据，其中，所述故障诊断模型为机器学习模型。
9.一种齿轮箱的故障预测装置，其特征在于，包括：
第一采集单元，用于采集齿轮箱的工作数据和列车运行数据；
第一处理单元，用于对所述齿轮箱的工作数据和所述列车运行数据进行智能分析处理，预测得到所述齿轮箱的故障数据。
10.一种齿轮箱的故障诊断装置，其特征在于，包括：
第二采集单元，用于采集齿轮箱的工作数据和列车运行数据；
第一预处理单元，用于对所述齿轮箱的工作数据和所述列车运行数据进行预处理，得到预处理后的数据；
第一筛选单元，用于对所述预处理后的数据进行筛选，得到至少一个测点对应的测点数据；
第一特征工程单元，用于根据所述测点数据，确定所述测点数据的数据特征，其中，所述数据特征包括：基础统计特征、变化速率特征、时间窗口特征和竞争特征；
第二处理单元，用于使用故障诊断模型对所述测点数据的数据特征进行智能分析处理，诊断得到所述齿轮箱的故障数据，其中，所述故障诊断模型为机器学习模型。