一种齿轮箱故障检测方法

摘要

本发明实施例提供一种齿轮箱故障检测方法，包括：将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果；其中，齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的。本发明实施例提供的方法，通过将列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果，实现了齿轮箱实时有效的在线检测，提高了铁路列车运行数据监控的实时性和便捷性，为动车组和铁路系统的稳定运行保驾护航。

权利要求

1.一种齿轮箱故障检测方法，其特征在于，包括：

将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出所述待测齿轮箱的故障检测结果；

其中，所述齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的；

所述列车运行参数用于表征待测齿轮箱的共性指标，列车运行参数决定待测齿轮箱温度的值域。

2.根据权利要求1所述的方法，其特征在于，所述故障检测结果由所述待测齿轮箱的每一组件的部分故障检测结果构成；

对应地，所述将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出所述待测齿轮箱的故障检测结果，之后还包括：对于任一组件的部分故障检测结果，若所述任一组件部分故障检测结果为异常状态，并判断获知所述任一组件的阶段化不间断温升值大于预设阶段化不间断温升值且所述任一组件的同侧温差趋势大于或等于预设同侧温差趋势，则确认所述任一组件处于异常状态。

3.根据权利要求1所述的方法，其特征在于，所述将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出所述待测齿轮箱的故障检测结果，之前还包括：根据故障特征指标体系获取所述待测齿轮箱的列车运行参数和齿轮箱温度参数；

其中，所述故障特征指标体系包含齿轮箱温度的相关指标。

4.根据权利要求3所述的方法，其特征在于，所述列车运行参数包括列车速度、列车加速度、列车外温、车厢压力、列车运行时间和列车运行里程中的至少一种；

所述齿轮箱温度参数包括阶段化温升值、同侧温差、阶段化不间断温升值和轴温与外温温差中的至少一种。

5.根据权利要求1所述的方法，其特征在于，所述齿轮箱故障检测模型为通过异常检测算法建立的模型。

6.根据权利要求1所述的方法，其特征在于，所述将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出所述待测齿轮箱的故障检测结果，之前还包括：对所述待测齿轮箱的列车运行参数和齿轮箱温度参数进行数据清洗，所述数据清洗包括异常值处理、删除重复值和空值处理中的至少一种。

7.根据权利要求2所述的方法，其特征在于，所述待测齿轮箱的组件包括小齿轮箱电机侧、小齿轮箱车轮侧、大齿轮箱电机侧和大齿轮箱车轮侧。

8.一种齿轮箱故障检测装置，其特征在于，包括：

故障检测单元，用于将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出所述待测齿轮箱的故障检测结果；

其中，所述齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的；

所述列车运行参数用于表征待测齿轮箱的共性指标，列车运行参数决定待测齿轮箱温度的值域。

9.一种齿轮箱故障检测设备，其特征在于，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如权利要求1至7任一所述的齿轮箱故障检测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一所述的齿轮箱故障检测方法。

说明书

一种齿轮箱故障检测方法

技术领域

[0001] 本发明实施例涉及列车安全检测技术领域，尤其涉及一种齿轮箱故障检测方法。

背景技术

[0002] 高速动车组列车的快速发展，为高铁建设奠定了良好的基础，同时也向车辆运用检修部门提出新的要求。齿轮箱体作为高铁运输机械上的关键部件，保障其安全服役性能，防止严重失效，非常必要。

[0003] 齿轮箱的常见故障包括齿轮损伤、轴承损坏、断轴、渗漏油和油温高等。其中，轴承是齿轮箱中最为重要的零件，其失效常常会引起齿轮箱灾难性的破坏。此外，轴承在运转过程中，套圈与滚动体表面之间经受交变负荷的反复作用，由于安装、润滑、维护等方面的原因，而产生点蚀、裂纹、表面剥落等缺陷，使轴承失效，从而使齿轮副和箱体产生损坏。

[0004] 目前列车部件故障检修主要是“经验判断+人工干预”的模式，即业务人员根据经验给出部件故障的业务规则，检修人员对报出故障的部件进行排查、检修。然而上述检修方式无法实现对齿轮箱的实时有效的在线检测，无法提前识别齿轮箱故障，维修存在滞后性，导致了运营成本的增加。

发明内容

[0005] 本发明实施例提供一种齿轮箱故障检测方法，用以解决现有的列车齿轮箱故障检修方法无法实现在线检测的问题。

[0006] 一方面，本发明实施例提供一种齿轮箱故障检测方法，包括：

[0007] 将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果；

[0008] 其中，齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的。

[0009] 另一方面，本发明实施例提供一种齿轮箱故障检测装置，包括：

[0010] 故障检测单元，用于将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果；

[0011] 其中，齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的。

[0012] 又一方面，本发明实施例提供一种齿轮箱故障检测设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如前所述的齿轮箱故障检测方法。

[0013] 再一方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的齿轮箱故障检测方法。

[0014] 本发明实施例提供的一种齿轮箱故障检测方法，通过将列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果，实现了齿轮箱实时有效的在线检测，提高了铁路列车运行数据监控的实时性和便捷性，为动车组和铁路系统的稳定运行保驾护航。

附图说明

[0015] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0016] 图1为本发明实施例的一种齿轮箱故障检测方法的流程示意图；

[0017] 图2为本发明实施例的故障特征指标体系的结构示意图；

[0018] 图3为本发明实施例的一种齿轮箱故障检测装置的结构示意图；

[0019] 图4为本发明实施例的一种齿轮箱故障检测设备的结构示意图。

具体实施方式

[0020] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0021] 齿轮箱的常见故障包括齿轮损伤、轴承损坏、断轴、渗漏油和油温高等。上述故障均会表征在齿轮箱的温度方面，例如齿轮箱的温度高于正常值，或者齿轮箱的温度上升速度明显快于同部位部件的温度。本发明实施例应用齿轮箱温度的相关指标，对齿轮箱温度的异常状态进行识别，进而实现对齿轮箱故障的检测。由此，本发明实施例提出一种齿轮箱故障检测方法，图1为本发明实施例的一种齿轮箱故障检测方法的流程示意图，如图1所示，包括：

[0022] 101，将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果；其中，齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的。

[0023] 具体地，此处的列车运行参数用于表征待测齿轮箱的共性指标，列车运行参数能够决定待测齿轮箱温度的值域，例如列车速度、列车外温和列车运行时间等。齿轮箱温度参数用于表征待测齿轮箱温度的变化趋势和待测齿轮箱温度与其他齿轮箱温度的区别，齿轮箱温度参数用于指示待测齿轮箱温度区别于其他齿轮箱温度的异常状况，例如单位时间待测齿轮箱温度的上升速率。本发明实施例不对列车运行参数和齿轮箱温度参数作具体限定。

[0024] 在执行上述步骤之前，可以先通过列车健康大数据平台和车载WTD设备获取待测齿轮箱的列车运行参数和齿轮箱温度参数，本发明实施例不对列车运行参数和齿轮箱温度参数的获取方式作具体限定。

[0025] 此外，在执行上述步骤之前，还可以预先训练得到齿轮箱故障检测模型，具体可通过如下方式训练得到：首先，收集大量齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本；其中，故障检测结果样本是根据齿轮箱样本的列车运行参数样本和齿轮箱温度参数样本预先确定的。基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本对初始模型进行训练，从而得到齿轮箱故障检测模型。此处，本发明实施例不对初始模型的类型和结构作具体限定。

[0026] 本发明实施例提供的方法，通过将列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果，实现了齿轮箱实时有效的在线检测，提高了铁路列车运行数据监控的实时性和便捷性，为动车组和铁路系统的稳定运行保驾护航。

[0027] 通过齿轮箱故障检测模型获取的故障检测结果，可能存在将正常状态误认为异常状态的情况，针对上述情况，本发明实施例提出一种齿轮箱故障检测方法，故障检测结果由待测齿轮箱的每一组件的部分故障检测结果构成；对应地，101，将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果，之后还包括：

[0028] 102，对于任一组件的部分故障检测结果，若该组件部分故障检测结果为异常状态，并判断获知该组件的阶段化不间断温升值大于预设阶段化不间断温升值且该组件的同侧温差趋势大于或等于预设同侧温差趋势，则确认该组件处于异常状态。

[0029] 具体地，任一组件的部分故障检测结果有两种情况，即正常状态和异常状态。当任一组件的部分故障检测结果为异常状态时，对该组件的状态进行进一步确认，将该组件的阶段化不间断温升值与预设阶段化不间断温升值进行比较，并将同侧温差趋势与预设同侧温差趋势进行比较，若该组件的阶段化不间断温升值大于预设阶段化不间断温升值且该组件的同侧温差趋势大于或等于预设同侧温差趋势，则确认该组件处于异常状态；否则，确认该组件处于正常状态。此处，阶段化不间断温升值是指在预设时间段内的不间断温升值，此处预设时间段可根据列车运行情况或齿轮箱运行情况进行设置，例如将阶段化不间断温升值设置为前10分钟不间断温升值。

[0030] 本发明实施例，通过前10分钟不间断温升值和同侧温差趋势对故障检测模型获取的故障检测结果进行进一步判别，有效提高了故障检测结果的准确率。

[0031] 基于上述任一实施例，一种齿轮箱故障检测方法，101，将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果，之前还包括：

[0032] 根据故障特征指标体系获取待测齿轮箱的列车运行参数和齿轮箱温度参数；其中，故障特征指标体系包含齿轮箱温度的相关指标。

[0033] 其中，故障特征指标体系是基于列车健康大数据平台和车载WTD设备数据，通过相关性分析、卡方检验等分析方法构建用于故障检测的特征指标体系。本发明实施例不对分析方法进行具体限定。此处，故障特征指标体系不仅用于确定输入至齿轮箱故障检测模型的列车运行参数和齿轮箱温度参数的具体类型，还用于确定用于对初始模型进行训练从来获取齿轮箱故障检测模型的列车运行参数样本、齿轮箱温度参数样本的具体类型。此处，故障特征指标体系中包含的齿轮箱温度的相关指标均为与齿轮箱温度具有相关性的指标，本发明实施例不对故障特征指标体系中的指标类型作具体限定。

[0034] 基于上述任一实施例，图2为本发明实施例的故障特征指标体系的结构示意图，如图2所示，一种齿轮箱故障检测方法，所述列车运行参数包括列车速度、列车加速度、列车外温、车厢压力、列车运行时间和列车运行里程中的至少一种；所述齿轮箱温度参数包括阶段化温升值、同侧温差、阶段化不间断温升值和轴温与外温温差中的至少一种。

[0035] 基于上述任一实施例，一种齿轮箱故障检测方法，齿轮箱故障检测模型为通过异常检测算法建立的模型。

[0036] 由于齿轮箱样本中，故障检测结果样本为异常状态的齿轮箱样本极少，所以在进行齿轮箱故障检测模型的学习时，无法通过监督类的学习方法进行学习。因而，此处采用无监督的方法进行故障识别。同样，由于故障检测结果样本为异常状态和正常状态的齿轮箱样本量不均衡，排除聚类算法，采用异常检测算法无监督的检测齿轮箱温度异常。此处的异常算法可以是LOF (Local Outlier Factor)异常检测算法、孤立森林、One-Class SVM和鲁棒协方差算法(Robust Covariance)，本发明实施例对此不作具体限定。

[0037] 具体地，基于Robust Covariance算法的齿轮箱故障检测模型规则设置如下：

[0038] 算法：Robust Covariance

[0039] 模型：

[0040] ElliptcEnvelope(contamination).fit(X_train)

[0041] ElliptcEnvelope(contamination).predict(X_test)

[0042] 输入：

[0043] Contamination，异常数据比例；X_train为训练样本特征，选取齿轮箱温度，同侧温差，阶段化温升；

[0044] X_test为测试样本。

[0045] 输出：

[0046] Y_predict，正常为1，异常为-1。

[0047] 基于孤立森林算法的齿轮箱故障检测模型规则设置如下：

[0048] 算法：IsolationForest

[0049] 模型：

[0050] IsolationForest(max_samples,contamination).fit(X_train)

[0051] IsolationForest(max_samples,contamination).predict(X_test) 输入：

[0052] max_samples，训练样本量；Contamination，异常数据比例；

[0053] X_train为训练样本特征，选取齿轮箱温度，同侧温差，阶段化温升；

[0054] X_test为测试样本。

[0055] 输出：

[0056] Y_predict，正常为1，异常为-1。

[0057] 基于LocalOutlierFactor算法的齿轮箱故障检测模型规则设置如下：

[0058] 算法：LocalOutlierFactor

[0059] 模型：

[0060] LocalOutlierFactor(n_neighbors,contamination).fit_predict(X) 输入：

[0061] n_neighbors，邻域；Contamination，异常数据比例；

[0062] X为样本，选取齿轮箱温度，同侧温差，阶段化温升；

[0063] 输出：

[0064] Y_predict，正常为1，异常为-1。

[0065] 基于One-Class SVM算法的齿轮箱故障检测模型规则设置如下：

[0066] 算法：svm.OneClassSVM

[0067] 模型：

[0068] svm.OneClassSVM(nu,kernel).fit(X_train)

[0069] svm.OneClassSVM(nu,kernel).predict(X_test)

[0070] 输入：

[0071] kernel，核函数；nu，异常数据比例；

[0072] X_train为训练样本特征，选取齿轮箱温度，同侧温差，阶段化温升；

[0073] X_test为测试样本。

[0074] 输出：

[0075] Y_predict，正常为1，异常为-1。

[0076] 用同样的样本数据训练4种异常检测模型，LOF(Local Outlier Factor) 异常检测测试结果较差，孤立森林会遗漏部分故障检测结果样本为异常状态异常数据，One-Class SVM和Robust Covariance能够检测出所有故障检测结果样本为异常状态的异常数据，但也会过多检测出部分故障检测结果样本为正常状态的数据，相较之下Robust Covariance检测更适合。

[0077] 作为优选，通过鲁棒协方差算法(Robust Covariance)建立齿轮箱故障检测模型。

[0078] 基于上述任一实施例，一种齿轮箱故障检测方法，将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果，之前还包括：

[0079] 对待测齿轮箱的列车运行参数和齿轮箱温度参数进行数据清洗，数据清洗包括异常值处理、删除重复值和空值处理中的至少一种。

[0080] 其中，异常值，即在数据集中存在不合理的值，又称离群点，可以通过删除含有异常值的记录，将异常值视为空值交给空值处理方法来处理，或者用平均值来修正，进行异常值处理。空值处理可以通过删除元组或数据补齐等方式实现，其中数据补齐可以通过特殊值填充、平均值填充、热卡填充、 K最近距离邻法和组合完整方法等方式实现，本发明实施例不对异常值处理、删除重复值和空值处理的实现方法作具体限定。

[0081] 基于上述任一实施例，一种齿轮箱故障检测方法，待测齿轮箱的组件包括小齿轮箱电机侧、小齿轮箱车轮侧、大齿轮箱电机侧和大齿轮箱车轮侧。齿轮箱故障检测模型可以输出上述各个组件的部分故障检测结果，从而得出上述各个组件的运行状态是否正常。

[0082] 为了更好地理解与应用本发明提出的一种齿轮箱故障检测方法，本发明进行以下示例，且本发明不仅局限于以下示例。

[0083] 首先，基于列车健康大数据平台和车载WTD设备数据，进行数据清洗，包括异常值处理、删除重复值和空值处理。

[0084] 其次，通过相关性分析、卡方检验等分析方法构建用于故障检测的特征指标体系。此处，特征指标体系包括列车运行参数和齿轮箱温度参数，其中列车运行参数是齿轮箱温度的共性指标，决定了齿轮箱温度的值域，齿轮箱温度参数用于分析齿轮箱温度特征有别于其他齿轮箱温度特征的异常情况。指标选择从静态和动态两方面考虑故障检测，一是通过齿轮箱温度，与同侧部位温度差，单位时间上升速率，检测出轴温异常点；二是从轴温动态趋势出发，如不间断温度上升情况确定轴温故障点。

[0085] 随后，根据故障特征指标体系，从列车健康大数据平台和车载WTD设备数据中获取待齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本，并基于上述齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本，对Robust Covariance模型进行训练，获取齿轮箱故障检测模型。

[0086] 接着，考虑到上述齿轮箱故障检测模型可能存在将正常状态误认为异常状态的情况，加入优化步骤，进一步确认齿轮箱故障检测模型中检测出的异常状态是否为真实异常。选取前10分钟不间断温升和同侧温差趋势作为控制规则，设置前10分钟不间断温升大于5℃且同侧温差趋势大于0可识别为异常。选择2016年8月2号和2016年8月3号样本数共3775例作为测试数据，综合齿轮箱故障检测模型和上述优化步骤进行综合挖掘，共识别出11例异常状态，而单独通过齿轮箱故障检测模型识别出25例异常状态，由此可知，综合齿轮箱故障检测模型和上述优化步骤进行综合挖掘，能够更准确地捕捉的异常。

[0087] 最后，基于上述齿轮箱故障检测模型和优化步骤，通过待测齿轮箱的列车运行参数和齿轮箱温度参数，获取待测齿轮箱的故障检测结果。

[0088] 本示例中，通过将列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果，实现了齿轮箱实时有效的在线检测，提高了铁路列车运行数据监控的实时性和便捷性，为动车组和铁路系统的稳定运行保驾护航。通过前10分钟不间断温升值和同侧温差趋势对故障检测模型获取的故障检测结果进行进一步判别，有效提高了故障检测结果的准确率。

[0089] 图3为本发明实施例的一种齿轮箱故障检测装置的结构示意图，如图3 所示，一种齿轮箱故障检测装置，包括：

[0090] 故障检测单元301，用于将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出所述待测齿轮箱的故障检测结果；其中，所述齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的。

[0091] 需要说明的是，上述故障检测单元301用执行上述实施例中的一种齿轮箱故障检测方法，该装置的具体功能参见上述的齿轮箱故障检测方法的实施例，此处不再赘述。

[0092] 本发明实施例提供的装置，通过将列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果，实现了齿轮箱实时有效的在线检测，提高了铁路列车运行数据监控的实时性和便捷性，为动车组和铁路系统的稳定运行保驾护航。

[0093] 基于上述任一实施例，一种齿轮箱故障检测装置，还包括：

[0094] 补充检测单元，用于若任一组件部分故障检测结果为异常状态，并判断获知该组件的阶段化不间断温升值大于预设阶段化不间断温升值且该组件的同侧温差趋势大于或等于预设同侧温差趋势，则确认该组件处于异常状态。

[0095] 基于上述任一实施例，一种齿轮箱故障检测装置，还包括：

[0096] 参数确定单元，用于根据故障特征指标体系获取待测齿轮箱的列车运行参数和齿轮箱温度参数；其中，故障特征指标体系包含齿轮箱温度的相关指标。

[0097] 基于上述任一实施例，一种齿轮箱故障检测装置，列车运行参数包括列车速度、列车加速度、列车外温、车厢压力、列车运行时间和列车运行里程中的至少一种；齿轮箱温度参数包括阶段化温升值、同侧温差、阶段化不间断温升值和轴温与外温温差中的至少一种。

[0098] 基于上述任一实施例，一种齿轮箱故障检测装置，齿轮箱故障检测模型为通过异常检测算法建立的模型。

[0099] 基于上述任一实施例，一种齿轮箱故障检测装置，异常检测算法为鲁棒协方差算法。

[0100] 基于上述任一实施例，一种齿轮箱故障检测装置，待测齿轮箱的组件包括小齿轮箱电机侧、小齿轮箱车轮侧、大齿轮箱电机侧和大齿轮箱车轮侧。

[0101] 图4为本发明实施例的一种齿轮箱故障检测设备的结构示意图，如图4 所示，齿轮箱故障检测设备包括：处理器(processor)401、通信接口 (Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线
404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行如下方法，例如包括：将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果；其中，齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的。

[0102] 本发明实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果；其中，齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的。

[0103] 本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：将待测齿轮箱的列车运行参数和齿轮箱温度参数输入至齿轮箱故障检测模型，输出待测齿轮箱的故障检测结果；其中，齿轮箱故障检测模型为基于齿轮箱样本的列车运行参数样本、齿轮箱温度参数样本和故障检测结果样本进行训练后得到的。

[0104] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

[0105] 以上所描述的通信设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0106] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

[0107] 最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。