一种动车组车轮参数磨耗趋势的分析方法与流程

本发明属于车轮磨耗分析的技术领域，尤其涉及一种动车组车轮参数磨耗趋势的分析方法。

背景技术：

为了跟踪监测动车组中某一零部件的状态信息，避免其故障、失效等影响系统的安全性、可靠性或造成巨大的经济损失，可采用基于历史数据拟合的参数趋势分析方法研究零部件服役过程中的性能，并在寿命末端实现一定程度上的预警。虽然基于历史检测数据的特征参数拟合已经逐渐应用于铁路行业的趋势分析与预警中，但是现有算法并不能完全适用于车轮参数趋势分析中，其主要的技术缺陷体现在以下几个方面：(1)缺乏多源历史数据整合能力：随着服役车组增多和数据的不断累积，ly检测数据、镟修数据、高级修数据等形成了庞大的信息流，这些信息种类繁多，作用也不尽相同。但是现阶段各类数据均分开存储、互不关联，缺乏有效的整合，难以综合利用各类数据中的有效信息。只有将这些数据有机地整合起来，建设车轮服役过程参数磨耗趋势分布的数据库，才能形成为研究车轮参数退化提供定性、定量和辅助决策的信息资源，记录和反应车轮参数磨耗趋势分布的历史信息和现状，并随着车组的持续运行，能方便、及时的更新数据。基于此，需要对多源历史参数进行整合，从多角度研究车轮特征参数的退化规律。(2)未充分挖掘历史数据价值：近年来，随着运用、检测、检修设备的升级改造，以及信息化、数字化的发展，机械零件的众多关键信息和数据已实现了电子化存储，积累的历史数据可以支撑对零部件服役过程中关键性能的分析。但是现阶段，ly检测数据、镟修数据并未充分发挥价值，仅在一定程度上作为车轮参数值的参考，同时判断当次检测、维修。通过车轮参数历史数据的回归分析，不但可以研究车轮参数随磨耗的退化趋势，并且可以提高车组某一时间内车轮参数的预测精度。此外，考虑多种类型的历史数据回归分析，在ly检测数据拟合时可以选择准确性较高的镟修数据作为基准，从而提高拟合精度，在最大程度上挖掘车轮历史数据的价值。(3)数据异常点处理能力不足：车轮参数的ly测量数据通常会存在较大的误差，且误差具有一定的阶段性，对历史数据直接进行回归分析不但会损失一定的拟合精度，而且误差过大的检测数据更有可能造成轮径随运行里程增加等与实际不符的计算结果。此外，车组镟修数据缺失导致两个镟修周期被归入一个拟合区间，不但忽视了镟修对于车轮参数演变的重要影响，而且ly实际检测数据与拟合的退化趋势之间的相对误差可能逐渐加大。车组发生调转、停运、高级修期间、检测设备故障、数据传输失败等也会造成数据缺失，应准确识别这些数据异常点并作相应的处理。通过对ly数据异常点的修正，最终可以提高车轮参数磨耗趋势计算结果的置信度。

技术实现要素：

针对现有技术中的上述不足，本发明提供的一种动车组车轮参数磨耗的分析方法解决了上述问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种动车组车轮参数磨耗趋势的分析方法，包括如下步骤：

s1、根据动车组车轮的多源历史数据计算动车组车轮参数的相对误差；

s2、根据所述相对误差，利用基于时间尺度的分段拟合方法计算得到不同阶次拟合方式的拟合优度，并选择拟合度最高的拟合方式；

s3、根据所述拟合度最高的拟合方式对动车组车轮参数磨耗进行集中展示，从而完成对动车组车轮参数磨耗的分析。

进一步地，所述步骤s1包括如下步骤：

s101、输入动车组车轮参数分析的车组号、车厢号、轴位、检测日期以及预测日期；

s102、获取所选车组的历史数据，并查找检测日期范围内的镟修数据、ly检测数据和车组高级修数据；

s103、判断动车组检测日期范围内是否存在车组高级修数据，若是，则将该高级修的时间段标记为mn，并进入步骤s106，否则，进入步骤s104；

或判断动车组检测日期范围内，且所述ly检测数据向前20天内是否存在有所选车组的ly检测数据，若是，则进入步骤s104，否则，将ly检测数据空缺的时间段标记为mn，并进入步骤s106；

s104、从当前时间段向前查找，分别计算ly检测数据点前后连续6个参数值的平均值，并判断所述ly检测数据偏离平均值是否均超过1.5mm，若是，则进入步骤s106，否则，进入步骤s105；

判断所述ly检测数据偏离前6个参数值或后6个参数值的平均值是否仅有一个超过1.5mm，若是，则将其标记为an，并进入步骤s106，否则，针对后续计算时则不代入该点的ly检测数据，并将其作为展示使用，并返回步骤s103；

判断所述各参数值偏离前后6个参数值的平均值是否均超过1.5mm，若是，则舍弃该参数值，并返回步骤s103，否则，进入步骤s106；

s105、查找镟修数据的历史记录，并判断该ly检测数据对应时间点是否存在镟修数据，若是，则将该时间点标记为bn，并进入步骤s106，否则，该ly检测数据为参数退化的正常分布，并返回步骤s103；

s106、对an、bn以及mn按照时间节点进行排序，且将各时间断点编号为sn，并将sn-1和sn之间的ly检测数据标记为(xi,yi)，并进入步骤s2，从而完成对动车组车轮参数的相对误差的计算，其中，xi表示ly检测数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值。

再进一步地，所述步骤s2包括如下步骤：

s201、根据所述相对误差查找sn-1和sn处是否存在镟修数据，若存在，则进入步骤s202，否则，进入步骤s205；

s202、若存在一条镟修数据，则将该数据标记为(x0,y0)，并确定该数据为镟前的镟轮参数或镟后的镟修数据，并进入步骤s203；

若存在两条镟修数据，则将该数据标记为(x01,y01)和(x02,y02)，并进入步骤s204，其中，x0表示镟修数据对应时间的数值表示，x01表示时间节点sn-1处镟后数据对应时间的数值表示，x02表示时间节点sn处镟前数据对应时间的数值表示，y0表示镟修数据中的车轮参数值，y01表示时间节点sn-1处镟后车轮参数值，y02表示时间节点sn处镟后车轮参数值；

s203、根据所述镟修数据分别计算得到车轮参数磨耗趋势的第一线性回归方程、第一二次拟合方程和第一三次拟合方程，并进入步骤s207；

s204、根据所述镟修数据分别计算得到车轮参数磨耗趋势的第二线性回归方程、第二二次拟合方程和第二三次拟合方程，并进入步骤s206；

s205、根据所述镟修数据分别计算得到车轮参数磨耗趋势的第三线性回归方程、第三二次拟合方程和第三三次拟合方程，并进入步骤s209；

s206、选择镟前参数后续6条ly检测数据并计算其平均值，并判断该镟修数据偏离平均值是否超过1.5mm，若是，则将镟后参数标记为(x0,y0)，并返回步骤s203，否则，进入步骤s208，其中，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值；

s207、针对该点参数为镟前或镟后参数时，则向前或向后选择连续6条ly检测数据并计算其平均值，并判断该镟修数据偏离平均值是否超过1.5mm，若是，则返回步骤s205，否则，进入步骤s209；

s208、由sn-1处的镟后参数向后选择连续6条ly检测数据并计算其平均值，并判断该镟轮数据偏离平均值是否超过1.5mm，若是，则将该镟后参数标记为(x0,y0)，并返回步骤s203，否则，进入步骤s209，其中，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值；

s209、分别计算与ly检测数据相对应的线性回归方程、二次拟合方程和三次拟合方程的拟合优度，并选择优度最大的拟合方式作为参数退化的回归方程，并进入步骤s3。

再进一步地，所述步骤s203具体为：

根据所述镟修数据，利用方程组(1)计算得到车轮参数磨耗趋势的第一线性回归方程：y11＝a11x+b11

其中，y11表示拟合后的车轮参数值，a11表示第一线性回归方程的一次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，b11表示第一线性回归方程的常数项，yi表示ly检测数据的车轮参数数值，xi表示ly检测数据对应时间的数值表示，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数；

根据所述镟修数据，利用方程组(2)计算得到车轮参数磨耗趋势的第一二次拟合方程：y12＝a12x²+b12x+c12

其中，y12表示拟合后的车轮参数值，a12表示第一二次拟合方程的二次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，x²表示x的二次方，b12表示第一二次拟合方程的一次项系数，c12表示第一二次项拟合方程的常数项，xi表示ly检测数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数，表示xi的二次方；

根据所述镟修数据，利用方程组(3)计算得到车轮参数磨耗趋势的第一三次拟合方程：y13＝a13x³+b13x²+c13x+d13

其中，y13表示拟合后的车轮参数值，a13表示第一三次拟合方程的三次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，x³表示x的三次方，x²表示x的二次方，b13表示第一三次拟合方程的二次项系数，c13表示第一三次拟合方程的常数项，xi表示ly数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数，表示xi的三次方，表示x0的三次方，表示x0的三次方。

再进一步地，所述步骤s204具体为：

根据所述镟修数据，利用方程组(4)计算得到车轮参数磨耗趋势的第二线性回归方程：y21＝a21x+b21

其中，y21表示拟合后的车轮参数值，a21表示第二线性回归方程的一次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，b21表示第一线性回归方程的常数项，x01表示时间节点sn-1处镟后数据对应时间的数值表示，y01表示sn-1处镟后车轮参数值，x02表示时间节点sn处镟前数据对应时间的数值表示，y02表示时间节点sn处镟后车轮参数值；

根据所述镟修数据，利用方程组(5)计算得到车轮参数磨耗趋势的第二二次拟合方程：y22＝a22x²+b22x+c22

其中，y22表示拟合后的车轮参数值，a22表示第二二次拟合方程的二次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，x²表示x的二次方，b22表示第二二次拟合方程的一次项系数，c22表示第二二次拟合方程的常数项，xi表示ly数据对应时间的数值表示，表示xi的平方，yi表示ly检测数据的车轮参数数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数，x01表示时间节点sn-1处镟后数据对应时间的数值表示，表示x01的二次方，y01表示时间节点sn-1处镟后车轮参数值，x02表示时间节点sn处镟前数据对应时间的数值表示，表示x02的二次方，y02表示时间节点sn处镟后车轮参数值；

根据所述镟修数据，利用方程组(6)计算得到车轮参数磨耗趋势的第二三次拟合方程：y23＝a23x³+b23x²+c23x+d23

其中，y23表示拟合后的车轮参数值，x表示表示车轮参数磨耗趋势查询范围内时间的数值表示，x³表示x的三次方，x²表示x的二次方，a23表示第二三次拟合方程的三次项系数，b23表示第二三次拟合方程的二次项系数，c23表示第二三次拟合方程的一次项系数，d23表示第二二次拟合方程的常数项，xi表示ly检测数据对应时间的数值表示，表示xi的三次方，表示xi的平方，yi表示ly检测数据的车轮参数数值，x01表示时间节点sn-1处镟后数据对应时间的数值表示，表示x01的平方，表示x01的三次方，y01表示时间节点sn-1处镟后车轮参数值，x02表示时间节点sn处镟前数据对应时间的数值表示，表示x02的平方，y02表示时间节点sn处镟后车轮参数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数。

再进一步地，所述步骤s205上体为：

根据所述镟修数据，利用方程组(7)计算得到车轮参数磨耗趋势的第三线性回归方程：y1＝a01x+b01

其中，x表示车轮参数磨耗趋势查询范围内时间的数值表示，y1表示拟合后的车轮参数值，a01表示第三线性回归方程的一次项系数，b01表示第三线性回归方程的常数项，n表示sn-1与sn两个时间节点之间ly检测数据的个数，xi表示ly检测数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值；

根据所述镟修数据，利用方程组(8)计算得到车轮参数磨耗趋势的第三二次拟合方程：y2＝a02x²+b02x+c02

其中，x表示车轮参数磨耗趋势查询范围内时间的数值表示，y2表示拟合后的车轮参数值，a02表示第三二次拟合方程的二次项系数，b02表示第三二次拟合方程的一次项系数，c02表示第三二次拟合方程的常数项，xi表示ly检测数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数；

根据所述镟修数据，利用方程组(9)计算得到车轮参数磨耗趋势的第三三次拟合方程：y3＝a03x³+b03x²+c03x+d03

其中，x表示车轮参数磨耗趋势查询范围内时间的数值表示，y3表示拟合后的车轮参数值，x³表示x的三次方，x²表示x的平方，a03表示第二三次拟合方程的三次项系数，b03表示第二三次拟合方程的二次项系数，c03表示第二三次拟合方程的一次项系数，d03表示第二二次拟合方程的常数项，xi表示ly检测数据对应时间的数值表示，表示xi的三次方，表示xi的平方，yi表示ly检测数据的车轮参数数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数。

再进一步地，所述步骤s209中计算与ly检测数据相对应的线性回归方程、二次拟合方程和三次拟合方程的拟合优度的表达式如下：

其中，r表示拟合优度，n表示sn-1与sn两个时间节点之间ly检测数据的个数，yi表示ly检测数据的车轮参数数值，y表示ly检测数据检测时间对应的车轮参数磨耗趋势拟合方程的数值，表示yi的平方。

再进一步地，所述步骤s3包括如下步骤：

s301、根据所述最高的拟合方式判断在其对应时间段内是否的存在车轮参数磨耗趋势拟合方程数值增大的情况，若是，则进入步骤s302，否则，进入步骤s305；

s302、令线性回归方程的斜率为0，令二次拟合方程和三次拟合方程的初始点斜率为0，并重新拟合ly检测数据和计算得到各阶回归方程对应的拟合优度；

s303、判断原各线性回归方程、一次拟合方程和二次拟合方程中检测时间段内是否存在车轮参数磨耗趋势拟合方程数值不增大，且与步骤s302的拟合方式相比其优度更高的拟合方式，若是，则选择原拟合方式中的参数趋势退化回归方程，并进入步骤s304，否则，选择步骤s302中拟合优度最高的拟合方式，并进入步骤s304；

s304、选择拟合优度最高的拟合方式作为最终的参数退化趋势拟合方式；

s305、根据所述优度最高的拟合方式拟合曲线方程，并绘制退化规律的分布曲线；

s306、对所述分布曲线按颜色区分为车轮参数磨耗趋势、镟修数据和ly检测数据，并将其集中展示，从而完成对动车组车轮参数磨耗的分析。

本发明的有益效果：

本发明提供了一种基于ly检测数据、镟轮参数、高级修计划等多源历史数据整合的车轮参数趋势分析的方法，该方法总体上可以分成三个部分：首先对历史数据进行整合，剔除测量误差较大的点，区分各镟修点；其次，根根实际参数计算不同阶次拟合方式的拟合优度，并从中选择拟合优度最高的拟合方式；最后集中展示车轮参数磨耗趋势、镟修数据和ly检测数据，使用不同颜色分类标识。本发明通过一系列车轮ly检测数据可以更加准确、直观的展现其退化趋势，且基于时间尺度的展示形式可以明确标识出车轮镟修的各时间节点。本发明通过以上设计解决了现有技术中对动车组车轮磨耗趋势分析缺乏多源历史数据整合能力、未充分挖掘历史数据价值和数据异常点处理能力不足的问题，有效地提高了动车组车轮磨耗分析的精度，保证了动车车组的安全与舒适性。

附图说明

图1为本发明的方法流程图。

图2为本发明的框图。

图3为本实施例中镟轮参数缺失的示意图。

图4为本实施例中ly检测数据误差过大的示意图。

图5为本实施例中镟轮数据缺失或误差较大的示意图。

图6为本实施例中ly检测数据误差较大截断退化趋势分布的示意图。

图7为本实施例中车组数据缺失示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

虽然随着科学的发展进步，数值仿真计算的得到广泛应用，但是对于实际应用场景中复杂的线路条件难以准确统计各部分半径及其长度。此外，多体动力学软件难以模拟交路、轮轨摩擦、环境变化、横向来风等，因此基于多体动力学软件仿真的车轮特征参数的预测存在一定误差。因此，通过一系列车轮ly检测数据可以更加准确、直观的展现其退化趋势，同时基于时间尺度的展示形式可以明确标识出车轮镟修、换轮的各时间节点。如图1-图2所示，本发明公开了一种动车组车轮参数磨耗趋势的分析方法，使用者通过输入车组号、车厢号、轴位、时间范围等参数，获取相应的信息，具体分析方法如下：

s1、根据动车组车轮的多源历史数据计算动车组车轮参数的相对误差，其实现方法如下：

s101、输入动车组车轮参数分析的车组号、车厢号、轴位、检测日期以及预测日期；

s102、获取所选车组的历史数据，并查找检测日期范围内的镟修数据、ly检测数据和车组高级修数据；

s103、判断动车组检测日期范围内是否存在车组高级修数据，若是，则将该高级修的时间段标记为mn，并进入步骤s106，否则，进入步骤s104；

或判断动车组检测日期范围内，且所述ly检测数据向前20天内是否存在有所选车组的ly检测数据，若是，则进入步骤s104，否则，将ly检测数据空缺的时间段标记为mn，并进入步骤s106；

s104、从当前时间段向前查找，分别计算ly检测数据点前后连续6个参数值的平均值，并判断所述ly检测数据偏离平均值是否均超过1.5mm，若是，则进入步骤s106，否则，进入步骤s105；

判断所述ly检测数据偏离前6个参数值或后6个参数值的平均值是否仅有一个超过1.5mm，若是，则将其标记为an，并进入步骤s106，否则，针对后续计算时则不代入该点的ly检测数据，并将其作为展示使用，并返回步骤s103；

判断所述各参数值偏离前后6个参数值的平均值是否均超过1.5mm，若是，则舍弃该参数值，并返回步骤s103，否则，进入步骤s106；

s105、查找镟修数据的历史记录，并判断该ly检测数据对应时间点是否存在镟修数据，若是，则将该时间点标记为bn，并进入步骤s106，否则，该ly检测数据为参数退化的正常分布，并返回步骤s103；

s106、对an、bn以及mn按照时间节点进行排序，且将各时间断点编号为sn(重复的时间段仅记录一次)，并将sn-1和sn之间的ly检测数据标记为(xi,yi)，并进入步骤s2，从而完成对动车组车轮参数的相对误差的计算，其中，xi表示ly检测数据对应时间的数值表示，如sn-1和sn之间的第一个ly数据对应的检测时间为8月15日，可将该点的xi记为数值3(数值大小可以任意规定，不影响最终绘制的参数退化回归曲线，仅为了方便将该ly检测数据对应的时间节点数值化表示)，则后续8月27日的ly数据对应的xi+1相应的记为15(两次检测数据时间间隔为12天，xi与xi+1在数值上也就相差12)，以此类推；yi表示ly检测数据的车轮参数数值(如轮径、轮缘厚)；

s2、根据所述相对误差，利用基于时间尺度的分段拟合方法计算得到不同阶次拟合方式的拟合优度，并选择拟合度最高的拟合方式，其实现方法如下：

s201、根据所述相对误差查找sn-1和sn处是否存在镟修数据，若存在，则进入步骤s202，否则，进入步骤s205；

s202、若存在一条镟修数据，则将该数据标记为(x0,y0)，并确定该数据为镟前的镟轮参数或镟后的镟修数据，并进入步骤s203；

若存在两条镟修数据，则将该数据标记为(x01,y01)和(x02,y02)，并进入步骤s204，其中，x0表示镟修数据对应时间的数值表示，x01表示时间节点sn-1处镟后数据对应时间的数值表示，x02表示时间节点sn处镟前数据对应时间的数值表示，y0表示镟修数据中的车轮参数值(如轮径、轮缘厚)，y01表示时间节点sn-1处镟后车轮参数值(如轮径、轮缘厚)，y02表示时间节点sn处镟后车轮参数值(如轮径、轮缘厚)；

s203、根据所述镟修数据分别计算得到车轮参数磨耗趋势的第一线性回归方程、第一二次拟合方程和第一三次拟合方程，并进入步骤s207，具体方法为：

根据所述镟修数据，利用方程组(1)计算得到车轮参数磨耗趋势的第一线性回归方程：y11＝a11x+b11

其中，y11表示拟合后的车轮参数值(如轮径、轮缘厚)，a11表示第一线性回归方程的一次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，b11表示第一线性回归方程的常数项，yi表示ly检测数据的车轮参数数值(如轮径、轮缘厚)，xi表示ly检测数据对应时间的数值表示，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值(如轮径、轮缘厚)，n表示sn-1与sn两个时间节点之间ly检测数据的个数；

根据所述镟修数据，利用方程组(2)计算得到车轮参数磨耗趋势的第一二次拟合方程：y12＝a12x²+b12x+c12

其中，y12表示拟合后的车轮参数值(如轮径、轮缘厚)，a12表示第一二次拟合方程的二次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，x²表示x的二次方，b12表示第一二次拟合方程的一次项系数，c12表示第一二次项拟合方程的常数项，xi表示ly检测数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数，表示xi的二次方；

根据所述镟修数据，利用方程组(3)计算得到车轮参数磨耗趋势的第一三次拟合方程：y13＝a13x³+b13x²+c13x+d13

其中，y13表示拟合后的车轮参数值(如轮径、轮缘厚)，a13表示第一三次拟合方程的三次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，x³表示x的三次方，b13表示第一三次拟合方程的二次项系数，c13表示第一三次拟合方程的常数项，xi表示ly数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数，表示xi的三次方，表示x0的三次方，表示x0的三次方；

s204、根据所述镟修数据分别计算得到车轮参数磨耗趋势的第二线性回归方程、第二二次拟合方程和第二三次拟合方程，并进入步骤s206，具体方法为：

根据所述镟修数据，利用方程组(4)计算得到车轮参数磨耗趋势的第二线性回归方程：y21＝a21x+b21

其中，y21表示拟合后的车轮参数值(如轮径、轮缘厚)，a21表示第二线性回归方程的一次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，b21表示第一线性回归方程的常数项，x01表示时间节点sn-1处镟后数据对应时间的数值表示，y01表示sn-1处镟后车轮参数值，x02表示sn处镟前数据对应时间的数值表示，y02表示sn处镟后车轮参数值(如轮径、轮缘厚)；

根据所述镟修数据，利用方程组(5)计算得到车轮参数磨耗趋势的第二二次拟合方程：y22＝a22x²+b22x+c22

其中，y22表示拟合后的车轮参数值(如轮径、轮缘厚)，a22表示第二二次拟合方程的二次项系数，x表示车轮参数磨耗趋势查询范围内时间的数值表示，x²表示x的二次方，b22表示第二二次拟合方程的一次项系数，c22表示第二二次拟合方程的常数项，xi表示ly数据对应时间的数值表示，表示xi的平方，yi表示ly检测数据的车轮参数数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数，x01表示时间节点sn-1处镟后数据对应时间的数值表示，表示x01的二次方，y01表示时间节点sn-1处镟后车轮参数值，x02表示时间节点sn处镟前数据对应时间的数值表示，表示x02的二次方，y02表示时间节点sn处镟后车轮参数值；

根据所述镟修数据，利用方程组(6)计算得到车轮参数磨耗趋势的第二三次拟合方程：y23＝a23x³+b23x²+c23x+d23

其中，y23表示拟合后的车轮参数值(如轮径、轮缘厚)，x表示表示车轮参数磨耗趋势查询范围内时间的数值表示，x³表示x的三次方，x²表示x的二次方，a23表示第二三次拟合方程的三次项系数，b23表示第二三次拟合方程的二次项系数，c23表示第二三次拟合方程的一次项系数，d23表示第二二次拟合方程的常数项，xi表示ly检测数据对应时间的数值表示，表示xi的三次方，表示xi的平方，yi表示ly检测数据的车轮参数数值，x01表示时间节点sn-1处镟后数据对应时间的数值表示，表示x01的平方，表示x01的三次方，y01表示时间节点sn-1处镟后车轮参数值，x02表示时间节点sn处镟前数据对应时间的数值表示，表示x02的平方，y02表示时间节点sn处镟后车轮参数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数。

s205、根据所述镟修数据分别计算得到车轮参数磨耗趋势的第三线性回归方程、第三二次拟合方程和第三三次拟合方程，并进入步骤s209，具体方法为：

根据所述镟修数据，利用方程组(7)计算得到车轮参数磨耗趋势的第三线性回归方程：y1＝a01x+b01

其中，x表示车轮参数磨耗趋势查询范围内时间的数值表示，y1表示拟合后的车轮参数值(如轮径、轮缘厚)，a01表示第三线性回归方程的一次项系数，b01表示第三线性回归方程的常数项，n表示sn-1与sn两个时间节点之间ly检测数据的个数，xi表示ly检测数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值；

根据所述镟修数据，利用方程组(8)计算得到车轮参数磨耗趋势的第三二次拟合方程：y2＝a02x²+b02x+c02

其中，x表示车轮参数磨耗趋势查询范围内时间的数值表示，y2表示拟合后的车轮参数值(如轮径、轮缘厚)，a02表示第三二次拟合方程的二次项系数，b02表示第三二次拟合方程的一次项系数，c02表示第三二次拟合方程的常数项，xi表示ly检测数据对应时间的数值表示，yi表示ly检测数据的车轮参数数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数；

根据所述镟修数据，利用方程组(9)计算得到车轮参数磨耗趋势的第三三次拟合方程：y3＝a03x³+b03x²+c03x+d03

其中，x表示车轮参数磨耗趋势查询范围内时间的数值表示，y3表示拟合后的车轮参数值(如轮径、轮缘厚)，x³表示x的三次方，x²表示x的平方，a03表示第二三次拟合方程的三次项系数，b03表示第二三次拟合方程的二次项系数，c03表示第二三次拟合方程的一次项系数，d03表示第二二次拟合方程的常数项，xi表示ly检测数据对应时间的数值表示，表示xi的三次方，表示xi的平方，yi表示ly检测数据的车轮参数数值，n表示sn-1与sn两个时间节点之间ly检测数据的个数；

s206、选择镟前参数后续6条ly检测数据并计算其平均值，并判断该镟修数据偏离平均值是否超过1.5mm，若是，则将镟后参数标记为(x0,y0)，并返回步骤s203，否则，进入步骤s208，其中，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值；

s207、针对该点参数为镟前或镟后参数时，则向前或向后选择连续6条ly检测数据并计算其平均值，并判断该镟修数据偏离平均值是否超过1.5mm，若是，则返回步骤s205，否则，进入步骤s209；

s208、由sn-1处的镟后参数向后选择连续6条ly检测数据并计算其平均值，并判断该镟轮数据偏离平均值是否超过1.5mm，若是，则将该镟后参数标记为(x0,y0)，并返回步骤s203，否则，进入步骤s209，其中，x0表示镟修数据对应时间的数值表示，y0表示镟修数据中的车轮参数值；

s209、分别计算与ly检测数据相对应的线性回归方程、二次拟合方程和三次拟合方程的拟合优度，并选择优度最大的拟合方式作为参数退化的回归方程，并进入步骤s3。

本实施例中，通过公式(10)分别计算与ly检测数据相对应的线性、二次、三次回归方程的拟合优度，分别记为r1、r2、r3，比较r1、r2、r3的数值大小并预设其中优度最大的拟合方式作为参数退化的回归方程：

其中，r表示拟合优度，n表示sn-1与sn两个时间节点之间ly检测数据的个数，yi表示ly检测数据的车轮参数数值，y表示ly检测数据检测时间对应的车轮参数磨耗趋势拟合方程的数值，表示yi的平方。

s3、根据所述拟合度最高的拟合方式对动车组车轮参数磨耗进行集中展示，从而完成对动车组车轮参数磨耗的分析，其实现方法如下：

s301、根据所述最高的拟合方式判断在其对应时间段内是否的存在车轮参数磨耗趋势拟合方程数值增大的情况，若是，则进入步骤s302，否则，进入步骤s305；

s302、令线性回归方程的斜率为0，令二次拟合方程和三次拟合方程的初始点斜率为0，并重新拟合ly检测数据和计算得到各阶回归方程对应的拟合优度；

s303、判断原各线性回归方程、一次拟合方程和二次拟合方程中检测时间段内是否存在车轮参数磨耗趋势拟合方程数值不增大，且与步骤s302的拟合方式相比其优度更高的拟合方式，若是，则选择原拟合方式中的参数趋势退化回归方程，并进入步骤s304，否则，选择步骤s302中拟合优度最高的拟合方式，并进入步骤s304；

s304、选择拟合优度最高的拟合方式作为最终的参数退化趋势拟合方式；

s305、根据所述优度最高的拟合方式拟合曲线方程，并绘制退化规律的分布曲线；

s306、对所述分布曲线按颜色区分为车轮参数磨耗趋势、镟修数据和ly检测数据，并将其集中展示，从而完成对动车组车轮参数磨耗的分析，其具体为：

按照设定的时间跨度绘制相应的退化趋势回归方程，标记ly趋势参数点、镟前参数点、镟后参数点，通过颜色标识不同的数据类型，其中，横轴设定为时间，纵轴设定为车轮特征参数(轮径、轮缘厚)。

本实施例中，由于车组阶段运行、镟轮参数丢失、ly检测数据误差偶然增大等不确定因素的存在，对车轮相关参数直接展示并不能直观的展现参数退化的规律性，轮径、轮缘厚等特征参数一段时间内预测的误差会被放大，因此，需要对数据进行整合、筛选、清洗、回归分析和分类展示。数据处理主要包括：

(1)如图3所示，镟轮参数缺失，不能准确区分镟修节点。

按车组号查找车组a、b的参数趋势分布情况，采用直接拟合的方式不能识别镟轮参数缺失的镟修点。a车组2019年4月14日与4月19日及其后续参数值之间存在较大跳跃，根据车组镟修周期历史数据判断，该点可能发生一次镟修，但是初始并未识别出该点。b车组2019年6月26日与6月29日及其后续参数值之间存在较大跳跃，经判断，该点可能存在一次镟修，但是初始时采用对数据点直接拟合的方式，ly检测数据未被分段拟合。虽然2019年3月14日至6月26日之间数据点多，拟合的相对误差较小，但是镟修之后退化趋势拟合曲线与检测参数之间的误差被放大。通过本方法分析，能准确识别ly检测数据跳动点，车组a、b的参数趋势被分段拟合，避免对数据的直接拟合时忽视是否发生过镟修，同时未来一段时间内车轮参数退化趋势的拟合误差被增加等情况。

(2)如图4所示，ly检测数据误差过大，影响拟合精度。

查找车组a的参数趋势分布情况，2019年8月11日检测参数严重偏离实际情况，虽然单个点拟合的权重较低，但是由于该点相对误差实在太大，对镟后全部参数采用直接拟合的方式使得各数据点的拟合误差均增加，整体拟合优度也较低。此外，根据特征参数退化规律，轮径会随着运行里程的增加逐渐减小，但是该时间点的检测参数偏大，拟合后的退化规律呈线性增大的趋势，这与实际情况完全相反。通过本方法分析后，能准确识别出检测参数异常点并将其剔除，不但获得了较高的拟合精度，而且退化趋势规律与实际保持一致。

(3)如图5所示，镟轮数据缺失或误差较大，退化趋势偏离实际

虽然镟轮参数与ly检测数据相比有较高的精度，但是车轮表面可能存在缺陷，在第一次镟完后缺陷未完全消除，短时间内进行了第二次镟修，但是未保存完整的镟轮数据，导致镟前或镟后数据明显偏离参数趋势演变的终点或初始状态，对ly检测数据拟合时，退化趋势会完全偏离实际情况，造成较大的误差，因此，应准确识别镟轮参数缺失节点，选择误差相对较小的ly检测数据拟合生成车轮特征参数退化趋势。查找车组a、b、c的参数趋势分布情况，直接使用镟轮数据拟合而不判断其与ly检测数据之间的偏差，导致实际拟合精度较低。车组a、b的第一次镟修的镟后参数与后续检测数据之间相对误差较小，可以作为退化趋势拟合的基准，但是第二次镟修的镟前参数与前面一个阶段检测数据之间相对误差较大，不能作为退化趋势拟合的基准，因此，只有选择通过第一次镟修镟后数据的拟合方式以获得较高的拟合精度。车组c前后两次镟修数据均严重偏离参数检测数值，应采用直接拟合的方式。通过本方法首先判断出保存的第二次镟修的镟前参数异常，以通过第一次镟修的镟后数据的方式重新拟合，然后返回循环重新判断第一次镟修镟后数据的准确性，同样可以识别出镟修数据的异常，最后舍弃基准直接对其进行拟合。通过分析处理后的退化趋势拟合一侧以相对误差较小的镟轮参数为基准，另一侧选择了相对误差较小的ly检测数据，提高了退化趋势的总体拟合优度。

(4)如图6所示，ly检测数据误差较大，截断退化趋势分布。

车轮检测参数在所选拟合区间内某时间节点相对误差较大，造成退化规律的拟合曲线被截断，使得车轮特征参数退化曲线不连贯，给生产组织和决策者造成车轮发生镟修的误判。通过查找镟轮数据及计算ly检测数据与均值之间的相对误差，算法准确判断出车组a于2019年7月25日未发生镟修，同时准确识别出车组b的ly检测数据的异常点并将其剔除。通过本方法处理后的检测参数在同一周期内按一条曲线拟合，避免了数据缺失或某时间点的偶然误差造成拟合的退化趋势的不连贯。

(5)如图7所示，车组数据缺失，无法准确判断状态。

车组某段时间内可能由于发生调转、停运、高级修、检测设备故障、数据传输失败等原因造成数据缺失，以镟修数据为基准的拟合方式可能因其与检测参数之间间隔太长而造成误差太大，同时也不具备拟合的必要性。车组a、b在镟修之后20天的时间内未记录有检测参数，同时车组a两次镟修之间还缺少ly检测数据，检测参数缺失时间间隔大于算法设定的限值，退化趋势拟合未延申至镟修点。此外，对ly检测数据时间间隔设定一定的容错，避免了2019年6月16日至6月28日之间数据缺失被判定为镟修，使得参数退化趋势的拟合被割裂成两段。