1.一种多维离群列车动车组轴箱轴承温度异常状态监测方法，基于孤立森林算法，包括训练模型和温度异常状态监测，其特征在于：所述训练模型具体为：将采集到的一年内的列车动车组轴箱轴承温度数据进行整理，将同一时刻的一个测点的同转向架的轴箱轴承温度数据、同车厢的轴箱轴承温度数据、整列车同侧的轴箱轴承温度数据分别进行整理，形成三个独立的数据集，然后将整理好的三个数据集输入模型进行训练，得到训练好的包括三个独立孤立森林的多维孤立森林模型；

所述温度异常状态监测包括以下步骤：

步骤S1，采集列车动车组轴箱轴承温度数据及对应的采样时间，然后对采集的温度数据进行去重、去异常值和插值处理；

步骤S2，将经过步骤S1处理好的数据输入训练好的多维孤立森林模型中，在三个独立孤立森林中有两个或两个以上孤立森林检测出某一测点的异常得分超过阈值时，则判定该测点的温度异常或反常。

2.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在步骤S1中，所述去重处理具体为：某一时刻如果采集到同一测点有多个数据时，则取这些数据的平均值作为测点的有效值。

3.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在步骤S1中，所述去异常值处理具体为：对前一时刻开始的前十个数据进行线性回归，如不足十个数据时，则有几个数据就用几个数据进回归，通过回归方程计算此时刻的温度数据z，如果采集到此时刻的温度数据不在z-20至z+20的范围内，则视为该时刻的温度数据为异常，去除。

4.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在步骤S1中，在去除异常值后，在异常值位置进行插值处理，具体为：对前一时刻开始的前十个数据进行线性回归，不足十个数据时，则有几个数据就用几个数据进回归，通过计算得到的回归值即为该插值，将该计算得到的回归值插入到去除的异常值位置。

5.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在步骤S2中，异常得分的公式定义如下：其中：

c(n)＝2H(n-1)-(2(n-1)/n)

式中：H(i)是调和函数，通过ln(i)+0.5772156649估算；

h(x)是路径长度，E(h(x))是所有孤立树算出的路径长度的平均值。

6.根据权利要求1或5所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：孤立森林模型中异常得分阈值取0.8，计算结果小于0.8为正常，大于0.8为异常或反常。

7.根据权利要求3或4所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：通过最小二乘法进行线性回归，先通过最小二乘法拟合出线性方程式z＝at+b，拟合出a和b，其中t是时间。

8.根据权利要求7所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：用10个点进行拟合，那么t的取值分别为1、2、3、4、5、6、7、8、9、10；此时刻t＝

11；用8个点进行拟合，那么t的取值分别为1、2、3、4、5、6、7、8；此时刻t＝9；用5个点进行拟合，那么t的取值分别为1、2、3、4、5；此时刻t＝6；代入公式z＝at+b，计算出此时刻的温度数据z。

9.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：将同一时刻的一个测点的同转向架的轴箱轴承温度数据、同车厢的轴箱轴承温度数据、整列车同侧的轴箱轴承温度数据分别进行整理，所形成的三个独立的数据集，分别为：同架数据、同车数据、同侧数据。