张恒志，蒋雨良

（1.中车青岛四方机车车辆股份有限公司，山东 青岛266109；2.西南交通大学机械工程学院，四川 成都610031）

1 引言

时间序列是各领域内都十分常见的数据形式，考虑到趋势、状态预测的重要意义，针对时间序列的预测、异常检测已有不同程度的发展[1]。轴承是轨道车辆重要的旋转部件，随着列车在交路中运行，安装在车辆走行部上的各个轴承的温度传感器所采集温度呈现因各项激励而产生的不同变化[2]。异常的轴承温升表征轴承运行状态异常，监测分析轴承温度及相关数据能有效检测轴承异常，帮助找出温升相关因素，诊断轴承异常。基于轴承温度的时间序列变化趋势进行建模，尽可能地提前对轴承进行预警，提前诊断轴承是否故障，预防重大安全事故对列车运行安全具有重要意义[3]。

传统机器学习方法，如逐步线性回归[4]、支持向量机[5]等方法在列车履历数据上的应用具有良好的预测结果。深度学习由于其优秀的特征学习能力，在轴温预测领域引起了越来越多的关注。针对时间序列的预测模型也在逐步发展，从初始的循环神经网络[6-7]（Recurrent Neural Networks，RNN）到使用双向、深度[8-9]的概念进一步增加网络的性能再到已在文本识别、时间序列预测方面普遍使用的长短时记忆[10]（Long Short-Term Memory networks，LSTM）、门控循环单元[11]（Gated Recurrent Unit networks，GRU）的提出，此类网络的实质上均是一个基于马尔科夫决策过程的递推框架。深度学习作为前沿的机器学习技术，如运用LSTM 建立短时机车轴温预测模型[12]，能达到比传统机器学习方法更优的效果。……