《表1 车载轴温实时数据分析Tab.1 Analysis of on-board real-time bearing temperature data》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《高速列车智能诊断与故障预测技术研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

故障预测模型通过实时数据分析得到的故障轴概率如表1所示，由表可知，4轴齿轮箱发生故障的相对概率明显高于其他轴，故障预警当日超过70%.通过地面大数据处理平台对历史数据分析得到的融合特征变化曲线如表1中融合特征值λ所示，在故障预警前4日融合特征值持续异常升高，超出合理范围（λ=2 500），最终引起了轴承潜在故障预警.