1.一种智能列车电气装置在线状态评估与运维平台，其特征在于包括列车电气系统分解编号模块、列车维修信息采集模块、列车实时信息采集模块和列车在线评估与预测模块；

列车电气系统分解编号模块和列车维修信息采集模块并联后，再依次与列车实时信息采集模块和列车在线评估与预测模块串联；列车电气系统分解编号模块用于获取列车电气系统的分解编号结果并上传列车实时信息采集模块；列车维修信息采集模块用于获取列车电气系统的维修结果并上传列车实时信息采集模块；列车实时信息采集模块用于实时采集列车的工作数据，并将工作数据与列车电气系统分解编号模块、列车维修信息采集模块上传的信息一一对应后，在发送至列车在线评估与预测模块；列车在线评估与预测模块用于根据上传的信息数据对列车的电气系统进行在线评估和预测。

2.一种权利要求1所述的智能列车电气装置在线状态评估与运维平台的方法，其特征在于包括如下步骤：S1.对列车的电气系统进行分解、分类和编号；

S2.获取列车的电气系统的历史数据，并对各个部件构建电气部件状态预测模型；

S3.获取列车的电气系统的实时工作数据，对列车的电气系统的状态进行在线实时评估和预测。

3.根据权利要求2所述的方法，其特征在于步骤S1所述的对列车的电气系统进行分解、分类和编号，具体为采用如下规则进行分解、分类和编号：将列车电气系统分解为如下部件：柴油发电机组、柴油发电机组附属装置、轴端发电装置、车下电源装置、应急电源、蓄电池、车端连接器、控制柜、空调装置、电加热器、制氧机、电开水器、厨房电器、电水泵、旅客信息系统、车载影视系统、行车安全监测诊断系统、车载信息无线传输装置、轴温报警装置、轴端接地装置、漏电报警装置和烟火报警装置；

将上述分解的部件再次分类为外露部件和内置部件：所述外露部件为暴露在列车车体外的部件；所述的内置部件为安装在列车车体内部的部件；

对列车电气系统所有的部件按照不同位置进行编号，每个不同位置的部件均有唯一的编号。

4.根据权利要求3所述的方法，其特征在于步骤S2所述的获取列车的电气系统的历史数据，具体为获取列车电气系统的每个部件的功率异常因子α、外部环境消耗因子β、电气系统各部件维修时的维修部件编号和维修等级γ；所述的功率异常因子α的计算式为其中qsj,t为部件在t时刻的实际功率值，qed为部件的额定功率值，T为列车的实际运行时间；所述的外部环境消耗因子β的计算式为 式中vt为

部件所在处的环境风速，ct为部件所在处的环境温度，且规定内置部件的外部环境消耗因子β的取值为0；所述的维修等级γ的取值为1、2或3，且规定部件经过一级维修则维修等级γ取值为1，部件经过二级维修则维修等级γ取值为2，部件经过三级维修,则维修等级γ取值为3；所述维修等级分为三级：一级为对部件的零件进行调整；二级为需要使用外部仪器对部件进行维修；三级为更换部件。

5.根据权利要求4所述的方法，其特征在于步骤S2所述对各个部件构建电气部件状态预测模型，具体为采用如下步骤进行建立状态预测模型：A.构建基于马尔可夫链的部件维修转移模型，并获取状态转移概率矩阵；

B.剔除状态转移概率为0的元素，从而获取每个部件的状态转移概率行向量，并获取每个部件的关联部件集合；所述每个部件的关联部件集合为对应部件的状态转移概率行向量中存在的部件的集合；

C.为每个部件分别构建电气部件状态预测模型。

6.根据权利要求5所述的方法，其特征在于步骤A所述的构建基于马尔可夫链的部件维修转移模型，并获取状态转移概率矩阵，具体为采用如下步骤构建转移模型并获取状态转移概率矩阵：a.根据电气系统的部件数量和维修等级，建立维修转移事件，具体为对于n个部件，3种维修等级，每相邻两个维修时间点之间共存在3×n种维修转移事件，建立3×n种维修转移事件，并表示为(δ'i→δ'j)；其中i和j的取值范围均为1～3n；

b.根据建立的维修转移事件和历史数据，建立状态转移关系频数矩阵，具体为状态转移关系频数矩阵A的定义为 其中元素ai,j表示维修转移事件(δ'i→δ'j)出现的次数；

c.根据建立的状态转移关系频数矩阵，计算得到状态转移概率矩阵，具体为状态转移概率矩阵P的定义为 其中元素pi,j的计算公式为式中ai,j表示维修转移事件(δ'i→δ'j)出现的次数。

7.根据权利要求6所述的方法，其特征在于步骤C所述的为每个部件分别构建电气部件状态预测模型，具体为为每个部件分别构建基于Elman神经网络的电气部件状态预测模型：对于第i个电气部件状态预测模型，以第i个电气系统部件的关联部件集合中的每个关联部件的功率异常因子、外部环境消耗因子以及第i个电气系统部件的状态转移概率行向量作为输入数据，将维修部件的编号和维修等级的编码数据作为输出数据，对Elman神经网络模型进行训练；所述的编码数据是指将所有维修部件的编号和维修等级进行编码，编码数据长度为部件的数量，每个位置的取值为0～3：0表示该位置的部件不需要维修，1表示一级维修，2表示二级维修，3表示三级维修。

8.根据权利要求7所述的方法，其特征在于所述的基于Elman神经网络的电气部件状态预测模型，其输入层节点个数为对应关联部件的个数乘以2加上对应状态转移概率行向量的长度，输出层节点个数为编码数据的长度，采用BP学习算法对网络进行训练，最大迭代次数设置为1000。

9.根据权利要求8所述的方法，其特征在于所述的Elman神经网络，其隐含层个数和训练学习率均采用混沌蝙蝠算法进行优化选择得到，具体为采用如下步骤计算得到：(1)以蝙蝠个体位置作为隐含层个数和训练学习率，初始化蝙蝠种群，并设置蝙蝠种群参数；

(2)设定适应度函数，并确定初始最优蝙蝠个体位置和迭代次数；

(3)利用设定的脉冲频率对蝙蝠个体的速度以及位置进行更新；

(4)获取0～1范围内的第一随机数，并判断获取的第一随机数与第i只蝙蝠的脉冲频度的大小：若第一随机数大于第i只蝙蝠的脉冲频度，则对处于个体最优位置的蝙蝠进行随机扰动，生成蝙蝠个体的扰动位置；

若第一随机数小于或等于第i只蝙蝠的脉冲频度，则保持原位；

(5)获取0～1范围内的第二随机数，并判断获取的第二随机数与第i只蝙蝠的声音强度的大小：若第二随机数大于第i只蝙蝠的声音强度，则蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个体位置的适应度，则将蝙蝠个体移动到扰动位置；同时利用蝙蝠搜索频度增加系数和声音强度衰减系数更新蝙蝠个体的脉冲频度和脉冲脉冲声音强度；并且重复步骤(4)；

若第二随机数小于或等于第i只蝙蝠的声音强度，则保持原位；计算当前蝙蝠种群中每个蝙蝠个体位置的适应度，按照由大到小的顺序选出前若干蝙蝠个体进行位置和速度的混沌优化，得到更新后的前若干个蝙蝠个体；

(6)判断是否达到最大迭代次数或者达到最大搜索精度：

若是，则从更新后的前若干个蝙蝠个体中依据适应度值选出全局最优蝙蝠个体，输出全局最优蝙蝠个体对应的基于Elman神经网络的电气部件状态预测模型的最佳隐含层个数和训练学习率；

否则，迭代次数增加1，并从步骤(3)开始，继续下一次迭代。

10.根据权利要求9所述的方法，其特征在于步骤S3所述的对列车的电气系统的状态进行在线实时评估和预测，具体为采用如下步骤进行评估和预测：

1)获取列车的部件的上一次维修的维修部件编号和维修等级信息，选取对应维修部件编号的电气部件状态预测模型；

2)获取对应的每个维修部件编号的关联部件集合；

3)分别将对应的关联部件集合中每个关联部件实时采集计算的功率异常因子、外部环境消耗因子以及对应的状态转移概率向量输入对应电气部件状态预测模型；

4)每个电气部件状态预测模型的输出值的并集即为当前列车的部件的状态评估和预测结果。