随着“十三五规划”进入收官之年,我国高铁网络不断拓展,车速再度提升,运输需求日益增大,保障动车组(Electric Multiple Units,EMU)运行安全的问题也备受关注。牵引电机作为动车组动力系统的核心,其稳定性是动车组安全运行的关键,而牵引电机轴承更是重中之重。目前动车组通过实时监测牵引电机轴承的温度来进行故障预警。轴承故障预警的研究仍是动车组故障预测与健康管理研究的重点。在真实环境中,牵引电机轴温影响因素复杂,包括当前运行状态、环境因素、设备性能等,许多研究基于实验的振动信号,在实际应用中有较大的局限性;目前采用固定阈值来进行轴承的故障预警,误报率高;此外,运行数据中的正常轴承温度数据与轴承故障数据严重不均衡,难以直接进行故障分类。针对这些问题,本文基于动车组运行数据,提出一种牵引电机轴承温度预测模型,预测轴温并将其作为动态阈值来协助故障预警,能够及时警报轴承的异常情况,提高动车组安全系数,降低运维成本。具体研究内容如下:(1)分析动车组运行数据特点以及数据之间的相关性,提出一种适应真实工况的牵引电机轴承温度预测模型——基于多任务学习和注意力机制的长短期记忆网络(Long Short-Term Memory,LSTM)模型。将注意力机制集成到LSTM中,并联合学习同一牵引电机不同位置的温度,学习轴承多影响因素和时空相关性的特征。同时优化模型的两个损失,利用分位数损失函数解决实际中更关注真实值大于预测值的情况;提出一种基于Gradient的联合损失,避免损失规模差异大和收敛速度不一的影响,以及手动调权重的低效问题。(2)针对动车组不同运行状态轴温变化趋势不同和运行状态的模糊性,通过模糊隶属度函数实现动车组运行状态的自动识别;再结合不同状态下的轴温预测模型,生成一种多模型融合的轴承温度预测模型。同时,基于该多模型融合的轴温度预测模型,拟合动车组牵引电机轴承健康运行温度曲线,并作为动态阈值辅助轴承的故障预警。最后在真实的动车组运行数据集上,验证本文提出的模型的预测效果以及基于动态阈值的故障预警的有效性。实验结果表明,本文提出的模型优化有效,且性能优于其他算法,有效地降低了故障预警的误报率。