Los monitores en línea de los sistemas de engranajes de trenes de alta velocidad desempeñan un papel crítico en la garantía de la seguridad y la fiabilidad operativa. Las señales de estado recopiladas de los engranajes de trenes de alta velocidad son muy complejas en cuanto a los entornos de trabajo, ruidos aleatorios y muchas otras limitaciones del mundo real. Este artículo propuso modelos de detección de fallos (FD) utilizando análisis de correlación canónica (CCA) y aprendizaje justo a tiempo (JITL) para procesar señales escalares de los engranajes de trenes de alta velocidad, denominados CCA-JITL. Después del preprocesamiento y normalización de datos, CCA transforma matrices de covarianza de datos históricos de alta dimensión en subespacios de baja dimensión y maximiza las correlaciones entre las dimensiones latentes más importantes. Luego, los componentes de JITL forman modelos locales de FD que utilizan subconjuntos de muestras de prueba con distancias euclidianas más grandes en comparación con los datos de entrenamiento. Un estudio de caso presentó un nuevo diseño de sistema de una arquitectura de FD en línea y demostró que los modelos de FD CCA-JITL superaron significativamente a los modelos CCA tradicionales. El enfoque es aplicable a otros modelos de FD de reducción de dimensión, como PCA y PLS.