基于MSIF?CNN的地鐵車輛制動(dòng)系統(tǒng)故障診斷方法

摘" 要： 研究地鐵車輛制動(dòng)系統(tǒng)的故障診斷對(duì)保障交通安全、提高運(yùn)營(yíng)效率具有重要意義。針對(duì)當(dāng)前的制動(dòng)系統(tǒng)故障診斷研究存在過(guò)度依賴于專家的知識(shí)經(jīng)驗(yàn)、數(shù)據(jù)融合效率不高以及現(xiàn)有模型訓(xùn)練參數(shù)過(guò)多的問(wèn)題，提出了一種基于多傳感器信息融合和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的“端到端”制動(dòng)系統(tǒng)故障診斷方法。該方法不需要專家知識(shí)對(duì)數(shù)據(jù)進(jìn)行特征提取，而是利用一維卷積神經(jīng)網(wǎng)絡(luò)（1D?CNN）來(lái)處理多傳感器信息融合問(wèn)題，并引入一維全局平均池化層（1D?GAP）改進(jìn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以減少模型訓(xùn)練參數(shù)。最終利用極端梯度提升模型（XGBoost）作為分類判別器，以提高故障診斷的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，所提方法的準(zhǔn)確率、精確率、召回率和F1值分別為95.86%、96.59%、92.68%和93.15%，同時(shí)，在地鐵車輛制動(dòng)系統(tǒng)故障診斷方面展現(xiàn)了更優(yōu)的性能。

關(guān)鍵詞： 多傳感器信息融合； 卷積神經(jīng)網(wǎng)絡(luò)； 地鐵車輛； 制動(dòng)系統(tǒng)； 故障診斷； XGBoost

中圖分類號(hào)： TN911.22?34； TP391.5" " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）24?0137?06

Method of MSIF?CNN?based fault diagnosis for subway vehicle braking system

CHEN Yanlin， SUN Geng， WANG Minjie， HE Xinlai， ZHAI Yinan， YIN Xian， FENG Yanhong

（College of Information Engineering， Dalian Ocean University， Dalian 116023， China）

Abstract： The research on fault diagnosis of subway vehicle braking systems is of great significance for ensuring traffic safety and operational efficiency. In allusion to the problems in current research on brake system fault diagnosis， such as excessive reliance on expert knowledge and experience， low data fusion efficiency， and excessive training parameters of existing models， a method of \"end?to?end\" brake system fault diagnosis based on multi?sensor information fusion and improved convolutional neural network （MSIF?CNN） is proposed. This method does not require expert knowledge to extract features from data. It can utilize the one?dimensional convolutional neural network （1D?CNN） to handle multi?sensor information fusion problem and introduce the one?dimensional global average pooling layer （1D?GAP） to improve the neural network structure and reduce model training parameters. The extreme gradient Boost （XGBoost） model is utilized as a classification discriminator to improve the accuracy of fault diagnosis. The experimental results show that the accuracy， precision， recall， and F1 values of the method are 95.86%， 96.59%， 92.68%， and 93.15%， respectively， demonstrating better performance in the fault diagnosis of subway vehicle braking systems.

Keywords： multi?sensor information fusion; convolutional neural network; subway vehicles; braking system; fault diagnosis; XGBoost

0" 引" 言

地鐵在城市交通系統(tǒng)中具有至關(guān)重要的作用，所具有的低能耗和高運(yùn)力等特點(diǎn)[1]使其成為緩解城市交通壓力不可或缺的一部分。地鐵車輛制動(dòng)系統(tǒng)的故障診斷能夠及時(shí)檢測(cè)和解決潛在問(wèn)題，對(duì)于保障城市軌道交通的運(yùn)行安全和提升運(yùn)營(yíng)效率具有重要意義[2]。

目前，針對(duì)故障診斷的研究方法主要有基于模型的方法、基于知識(shí)的方法、基于數(shù)據(jù)驅(qū)動(dòng)的方法等。基于模型的方法利用數(shù)學(xué)模型描述故障演變過(guò)程以進(jìn)行診斷[3]，但由于其針對(duì)特定系統(tǒng)而設(shè)計(jì)，通用性較弱；基于知識(shí)的方法依賴于專家的知識(shí)和經(jīng)驗(yàn)進(jìn)行決策，性能在很大程度上依賴于知識(shí)庫(kù)的準(zhǔn)確性和完整性[4]；基于數(shù)據(jù)驅(qū)動(dòng)的方法[5]利用各種信號(hào)處理和統(tǒng)計(jì)分析技術(shù)提取異常的關(guān)鍵特征用于診斷，如Fisher判別分析[6]、Hilbert?Huang變換[7]、快速傅里葉變換[8]等方法。

近年來(lái)，基于人工智能的方法被廣泛應(yīng)用于故障診斷領(lǐng)域。文獻(xiàn)[9]提出了一種使用智能優(yōu)化算法優(yōu)化XGBoost參數(shù)的變壓器故障診斷方法。文獻(xiàn)[10]提出了一種集成學(xué)習(xí)模型，利用時(shí)域、頻域、小波包分解等多樣性特征提取方法從原始數(shù)據(jù)中提取特征，并利用主成分分析方法選定特征進(jìn)行融合。

為了提取更詳細(xì)的特征來(lái)提高診斷性能，研究者開(kāi)始將卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于故障診斷研究。文獻(xiàn)[11]提出將循環(huán)譜相關(guān)作為預(yù)處理步驟來(lái)揭示各斷層類型的故障性質(zhì)，從而初步獲得不同的判別特征；然后構(gòu)造CNN進(jìn)行進(jìn)一步的特征學(xué)習(xí)和分類。文獻(xiàn)[12]提出了一種通過(guò)對(duì)模擬振動(dòng)信號(hào)進(jìn)行變分模態(tài)分解，利用CNN對(duì)齒輪箱系統(tǒng)進(jìn)行復(fù)合故障診斷的方法。上述方法雖然使用了CNN，但在其算法中仍然采用傳統(tǒng)的信號(hào)處理技術(shù)對(duì)原始故障數(shù)據(jù)進(jìn)行人工特征提取。文獻(xiàn)[13]提出了一種2D?CNN模型，直接使用來(lái)自電機(jī)電流的多個(gè)相位的原始信號(hào)進(jìn)行故障診斷，從中提取特征并對(duì)每個(gè)特征集進(jìn)行分類。該方法為了滿足2D?CNN模型的輸入格式要求，將原始的一維時(shí)間序列信號(hào)通過(guò)數(shù)據(jù)重構(gòu)方法轉(zhuǎn)換為二維灰度圖像，然后輸入到模型中進(jìn)行故障診斷。這種方法在數(shù)據(jù)重塑過(guò)程中存在相鄰原始數(shù)據(jù)之間的相關(guān)信息被破壞的風(fēng)險(xiǎn)。

為了保持相關(guān)信息，文獻(xiàn)[14]提出了一種使用1D?CNN模型將振動(dòng)和聲模擬信號(hào)的特征結(jié)合的軸承故障診斷方法。然而，該1D?CNN模型仍然包含一個(gè)完全連接的采用2～3層的多層感知器結(jié)構(gòu)作為判別學(xué)習(xí)分類器。全連接層的內(nèi)在缺點(diǎn)是需要訓(xùn)練的參數(shù)數(shù)量過(guò)多、計(jì)算時(shí)間較長(zhǎng)。

針對(duì)以上問(wèn)題，本文提出了一種基于多傳感器信息融合和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)（Multi?sensor Information Fusion Convolutional Neural Network， MSIF?CNN）模型，用于地鐵車輛制動(dòng)系統(tǒng)的故障診斷。該模型利用1D?CNN自動(dòng)提取時(shí)間序列特征，并引入1D?GAP層（1D Global Average Pooling Layer）大幅減少模型參數(shù)，提升訓(xùn)練與診斷速度；同時(shí)，利用XGBoost分類器替代傳統(tǒng)Softmax函數(shù)，增強(qiáng)分類能力并提高診斷準(zhǔn)確率。該診斷方法無(wú)需人工特征提取，不依賴專家經(jīng)驗(yàn)，具有很強(qiáng)的通用性和實(shí)用性。

1" 制動(dòng)系統(tǒng)分析

1.1" 多傳感器數(shù)據(jù)

為確保地鐵行駛安全以及制動(dòng)系統(tǒng)的高效可靠運(yùn)行，車上配備了眾多傳感器和控制設(shè)備，構(gòu)建了一套高度智能化、精細(xì)化的制動(dòng)監(jiān)控系統(tǒng)。這些傳感器和控制設(shè)備能夠?qū)崟r(shí)監(jiān)測(cè)并反饋制動(dòng)系統(tǒng)的重要參數(shù)，如機(jī)車模式、制動(dòng)模式以及風(fēng)缸壓力等。

在地鐵車輛實(shí)際運(yùn)行過(guò)程中，制動(dòng)控制單元（Brake Control Unit， BCU）通常1 s采集一次監(jiān)測(cè)數(shù)據(jù)，最終得到由傳感器監(jiān)測(cè)到的一系列時(shí)間和狀態(tài)值組成的一組二維數(shù)據(jù)。

將得到的數(shù)據(jù)集用MSIF建模，可以表示為二維矩陣的形式，如公式（1）所示。

[D=[xij]p×m] （1）

式中[xij]表示第[i]個(gè)傳感器在時(shí)間[j]的值，其中[i=1，2，…，p]，[j=1，2，…，m]。矩陣中的第[j]行表示所有傳感器在時(shí)間[j]的監(jiān)測(cè)值。這種規(guī)則的數(shù)據(jù)采集模式確保了時(shí)間序列數(shù)據(jù)在時(shí)間上的一致性和可比性，為后續(xù)的數(shù)據(jù)分析和模型訓(xùn)練提供了堅(jiān)實(shí)的基礎(chǔ)。

1.2" 制動(dòng)系統(tǒng)故障類型

對(duì)于制動(dòng)系統(tǒng)而言，存在著100多種不同的故障，包括轉(zhuǎn)向架常用制動(dòng)不緩解、車軸抱死、BCU通信故障等。在不同環(huán)境中，故障的分布往往是不均勻的，且正負(fù)樣本的數(shù)量差異顯著。

本文采用K?Means聚類算法對(duì)故障標(biāo)簽進(jìn)行劃分，通過(guò)將數(shù)據(jù)集劃分為多個(gè)簇并為每個(gè)簇確定一個(gè)質(zhì)心，來(lái)實(shí)現(xiàn)數(shù)據(jù)的聚類。算法使用歐氏距離來(lái)衡量樣本間的相似性，并以最小化樣本到其所屬質(zhì)心距離的平方和為目標(biāo)進(jìn)行優(yōu)化，如公式（2）所示。

[mini=1rx∈CidistCi，x2] （2）

式中：[r]為簇個(gè)數(shù)；[Ci]為第[i]個(gè)簇的質(zhì)心；[dist（Ci，x）2]為[x]到[Ci]的距離。

制動(dòng)系統(tǒng)的故障數(shù)據(jù)經(jīng)過(guò)K?Means聚類算法處理，劃分出6個(gè)不同的故障標(biāo)簽，如表1所示。

2" MSIF?CNN故障診斷模型

本文提出的MSIF?CNN模型包括數(shù)據(jù)融合層（Input Data Fusion Layer， IFL）、特征提取層（Feature Extraction Layer， FEL）、1D?GAP層和判別輸出層（Logic Discrimination Output Layer， LDO），模型結(jié)構(gòu)如圖1所示。首先，利用多通道處理操作對(duì)輸入數(shù)據(jù)進(jìn)行融合；其次，特征提取層從融合后的二維輸入特征映射中提取深度代表性特征；接著，1D?GAP層對(duì)特征提取層的高維輸出數(shù)據(jù)進(jìn)行分析、降維采樣和參數(shù)約簡(jiǎn)；最后，XGBoost分類判別器根據(jù)1D?GAP層輸出生成故障診斷結(jié)果，輸出故障類型。

2.1" 數(shù)據(jù)融合層

IFL接收輸入數(shù)據(jù)，并執(zhí)行標(biāo)準(zhǔn)化、數(shù)據(jù)分割和數(shù)據(jù)增強(qiáng)等預(yù)處理操作。通過(guò)這些操作可以在數(shù)據(jù)層面解決多通道數(shù)據(jù)融合問(wèn)題，減少信息丟失，從而獲得更優(yōu)的診斷性能。

MSIF數(shù)據(jù)集中包括速度、壓力、電流等信號(hào)，這些數(shù)據(jù)代表不同的物理屬性，并且它們具有不同的單位和數(shù)值范圍。為更好地適應(yīng)模型的學(xué)習(xí)和訓(xùn)練過(guò)程，本文選擇了最小最大值標(biāo)準(zhǔn)化（Min Max Scaler）方法將數(shù)據(jù)限制在[0，1]的范圍內(nèi)，計(jì)算方法如公式（3）所示。

[x′ij=x-min（xij）max（xij）-min（xij）] （3）

式中：[x′ij]是標(biāo)準(zhǔn)化后的數(shù)據(jù)值；[xij]是原始數(shù)據(jù)值；[min（xij）]是數(shù)據(jù)的最小值；[max（xij）]是數(shù)據(jù)的最大值。

數(shù)據(jù)歸一化后，各通道的故障數(shù)據(jù)仍是一個(gè)長(zhǎng)一維時(shí)間序列。本文通過(guò)引入重疊采樣滑動(dòng)窗口操作的數(shù)據(jù)分割方法提高鄰近樣本間的相關(guān)性，根據(jù)采樣周期、故障頻率和執(zhí)行速度設(shè)置期望的訓(xùn)練樣本長(zhǎng)度，然后根據(jù)期望訓(xùn)練樣本個(gè)數(shù)和原始監(jiān)測(cè)數(shù)據(jù)個(gè)數(shù)等設(shè)置重疊采樣率，生成滑動(dòng)采樣窗口。該窗口可以在原始的多通道一維長(zhǎng)時(shí)間序列數(shù)據(jù)上滑動(dòng)，當(dāng)滑動(dòng)窗口滑動(dòng)一個(gè)步幅時(shí)，可以自動(dòng)保存多個(gè)短時(shí)間序列數(shù)據(jù)段。重疊采樣樣本數(shù)量計(jì)算公式如下：

[Fnum=CEILINGInum-Wnum+1Snum，1] （4）

式中：[Inum]為原始數(shù)據(jù)段的長(zhǎng)度；[Wnum]為滑動(dòng)窗口的長(zhǎng)度；[Snum]為每步數(shù)據(jù)點(diǎn)的個(gè)數(shù)；[Fnum]為新生成的故障樣本個(gè)數(shù)；CEILING函數(shù)表示返回下一個(gè)四舍五入的整數(shù)。

2.2" 特征提取層

FEL從每個(gè)故障樣本中提取深度代表性特征，由3個(gè)1D卷積層和2個(gè)1D池化層組成。1D卷積運(yùn)算如公式（5）所示。

[C（k）l'×w'=f（W（k）l×w?X（k）t×w+B（k））] （5）

式中：“[?]”為卷積算子；[k]為組數(shù)；[W（k）l×w]為第[k]組1D卷積核的權(quán)值；[l]為1D卷積核的長(zhǎng)度；[w]表示1D卷積核和卷積圖像的寬度；[X（k）t×w]為輸入圖像；[t]表示卷積圖像的長(zhǎng)度；[B（k）]為第[k]組1D卷積核的偏置；[C（k）l'×w']表示經(jīng)過(guò)1D卷積運(yùn)算后的輸出圖像，[l']為1D卷積層輸出圖像的長(zhǎng)度，[w']為輸出圖像的寬度；[f·]為非線性激活函數(shù)。

樣本經(jīng)過(guò)1D池化層可以進(jìn)一步壓縮下采樣之前輸出特征圖的維度和參數(shù)數(shù)量，1D最大池化運(yùn)算如公式（6）所示。

[P（k）l×w'=max（j-1）S+1lt;tx≤jSC（k）l'×w'（tx，w'）] （6）

式中：[x]表示1D池化內(nèi)核的長(zhǎng)度；[tx]表示1D池化內(nèi)核對(duì)應(yīng)的特征值；[S]為1D池化內(nèi)核的步幅；[P（k）l×w']為1D池化后的輸出圖像；[l″]為1D池化層輸出圖像的長(zhǎng)度。

2.3" 一維全局平均池化層

在MSIF?CNN模型中，使用1D?GAP層網(wǎng)絡(luò)結(jié)構(gòu)來(lái)替代傳統(tǒng)的1D?CNN模型中的2～3全連接層，用于連接FEL的輸出和LDO的輸入，池化操作如公式（7）所示。

[GAPl1D=1hi=1hXli] （7）

式中：[GAPl1D]為1D?GAP濾波器對(duì)FEL第[i]個(gè)輸出通道的計(jì)算結(jié)果；[h]為1D?GAP濾波器中元素的總數(shù)；[Xli]為第[i]個(gè)通道中元素的值。

FEL輸出特征映射的大小為[h×6]，表示6種故障標(biāo)簽。1D?GAP層的輸出維數(shù)與傳統(tǒng)1D?CNN全連接層的輸出維數(shù)一致，因此設(shè)計(jì)了6個(gè)1D?GAP濾波器。將每個(gè)1D?GAP濾波器的大小設(shè)置為[h×1]，每個(gè)1D?GAP濾波器從相應(yīng)的通道計(jì)算一個(gè)全局平均值。經(jīng)過(guò)1D?GAP層運(yùn)算后，F(xiàn)EL的輸出尺寸變換為[1×6]，最后輸出到分類器。

2.4" 判別輸出層

在LDO層，與傳統(tǒng)的CNN使用Softmax分類器不同，本文模型采用了更具有魯棒性的XGBoost分類器作為最終分類器，可以進(jìn)一步從1D?GAP層的輸出中提取關(guān)鍵的代表性特征。XGBoost算法的預(yù)測(cè)值計(jì)算如公式（8）所示。

[yi=t=1Tftxj] （8）

式中：[xj]為第[j]個(gè)輸入樣本的數(shù)據(jù)；[ft（xj）]為第[t]棵樹(shù)的預(yù)測(cè)值；[yi]為模型的預(yù)測(cè)值。

每次迭代添加新樹(shù)模型，以擬合預(yù)測(cè)結(jié)果與真實(shí)值之間的殘差，目標(biāo)函數(shù)如公式（9）所示。

[obj（θ）=i=1Nl（yi，yi）+t=1TΩft] （9）

式中：[i=1Nl（yi，yi）]為損失函數(shù)，用于衡量真實(shí)值[yi]與預(yù)測(cè)值[yi]的偏差；[t=1TΩft]為正則項(xiàng)，對(duì)分類回歸樹(shù)的復(fù)雜度進(jìn)行求和。

經(jīng)過(guò)不斷優(yōu)化后，得到第[k]棵決策樹(shù)[fk]的模型[fk（xj）]。第[k]個(gè)決策樹(shù)的目標(biāo)函數(shù)[H（k）]如公式（10）所示。

[H（k）=i=1Nlyi，y（k-1）i+fk（xj）+t=1TΩfk] （10）

LDO將1D?GAP層提取的特征向量層傳遞給XGBoost分類器，從而進(jìn)行系統(tǒng)故障標(biāo)簽分類識(shí)別。

3" 實(shí)驗(yàn)及結(jié)果分析

3.1" 評(píng)價(jià)指標(biāo)

在處理多標(biāo)簽分類問(wèn)題時(shí)，由于輸出可能包含多個(gè)標(biāo)簽，分類結(jié)果常會(huì)出現(xiàn)部分正確而部分錯(cuò)誤的情況。因此，在評(píng)估模型性能時(shí)，必須充分考慮到這些部分正確的情況。為了更全面、準(zhǔn)確地評(píng)價(jià)模型在多標(biāo)簽分類場(chǎng)景下的表現(xiàn)，本文選擇準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）以及F1值作為評(píng)價(jià)指標(biāo)，公式如下所示：

[Accuracy=1Mi=1Myi?yiyi?yi] （11）

[Precision=1Mi=1Myi?yiyi] （12）

[Recall=1Mi=1Myi?yiyi] （13）

[F1=i=1M2×yi?yiyi+yi] （14）

式中：[M]為樣本總數(shù)；[yi]為實(shí)際標(biāo)簽序列；[yi]為預(yù)測(cè)標(biāo)簽序列；[·]為真值個(gè)數(shù)。

上述指標(biāo)能夠綜合考慮模型在不同標(biāo)簽上的表現(xiàn)，從而更準(zhǔn)確地反映模型的性能，為后續(xù)的優(yōu)化和改進(jìn)提供有力支持。

3.2" MSIF?CNN訓(xùn)練參數(shù)

MSIF?CNN診斷模型訓(xùn)練超參數(shù)設(shè)置如表2所示。

本文截取了數(shù)據(jù)集前100 000個(gè)數(shù)據(jù)點(diǎn)，每種故障類型的原始16通道數(shù)據(jù)集形成了大小為100 000×16的二維特征映射矩陣。利用重疊采樣方法將每種故障類型的二維特征圖分割成大小為[500×16]的短二維輸入特征圖，因此每個(gè)樣本就是大小為[500×16]的矩陣。為了便于分析，實(shí)驗(yàn)將每種故障類型的樣本的按照7∶3分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

3.3" 結(jié)果分析

為了監(jiān)測(cè)模型訓(xùn)練進(jìn)展情況及泛化能力，本文繪制了診斷模型的Loss變化曲線，如圖2所示。

根據(jù)圖2可知，隨著迭代次數(shù)的增加，模型的Loss在總體上呈現(xiàn)下降趨勢(shì)，模型經(jīng)過(guò)150輪訓(xùn)練后基本接近收斂。從曲線的波動(dòng)情況來(lái)看，兩個(gè)曲線的波動(dòng)幅度都逐漸減小，這說(shuō)明所采用的Adam優(yōu)化算法在訓(xùn)練過(guò)程中發(fā)揮了重要作用，使得學(xué)習(xí)率能夠隨著訓(xùn)練的進(jìn)行而逐步降低，這有助于模型逐步加強(qiáng)對(duì)細(xì)微特征的學(xué)習(xí)，并有效防止過(guò)擬合情況的發(fā)生。

將診斷標(biāo)簽與實(shí)際標(biāo)簽進(jìn)行對(duì)比，代入到評(píng)價(jià)指標(biāo)中，得到的MSIF?CNN模型的故障診斷結(jié)果如表3所示。

為了驗(yàn)證模型的診斷性能，將MSIF?CNN與1D?CNN、2D?CNN和SVM模型進(jìn)行對(duì)比，各模型診斷結(jié)果準(zhǔn)確率如表4所示。

根據(jù)表4可以看出，MSIF?CNN模型在處理多種故障模式分類任務(wù)時(shí)表現(xiàn)出了卓越的性能，平均準(zhǔn)確率達(dá)到了96.59%。

為了更準(zhǔn)確地評(píng)估MSIF?CNN模型與未經(jīng)改進(jìn)的1D?CNN使用Softmax分類器的模型在診斷性能上的差異，引入多分類混淆矩陣對(duì)診斷結(jié)果進(jìn)行量化分析。故障診斷模型多分類混淆矩陣如圖3所示。

此外，本文還對(duì)MSIF?CNN和1DCNN在訓(xùn)練過(guò)程中的時(shí)間成本方面進(jìn)行了比較，如表5所示。

由圖3、表5可看出：在1 400個(gè)樣本中，使用1D?CNN模型時(shí)有74個(gè)樣本被誤分類，而使用MSIF?CNN模型時(shí)有48個(gè)樣本被誤分類；在時(shí)間成本方面，MSIF?CNN檢測(cè)1 400個(gè)樣本的總診斷時(shí)間僅為0.726 s。通過(guò)實(shí)驗(yàn)驗(yàn)證，所提模型表現(xiàn)出了更高的準(zhǔn)確性和可靠性，能夠快速、精確地診斷地鐵車輛多種制動(dòng)系統(tǒng)故障。

4" 結(jié)" 論

本文提出了一種基于多傳感器信息融合與改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的地鐵車輛制動(dòng)系統(tǒng)故障診斷模型。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，該模型相較于其他故障診斷模型展現(xiàn)出更高的準(zhǔn)確率，不僅顯著提升了人工讀取數(shù)據(jù)和依賴經(jīng)驗(yàn)進(jìn)行故障診斷的效率，而且作為智能鐵路技術(shù)的關(guān)鍵組成部分，為列車制動(dòng)系統(tǒng)的智能診斷提供了一種高效可靠的方法。此外，該模型的研究也為未來(lái)地鐵車輛其他關(guān)鍵部件的智能診斷提供了有益的啟示和思路。

注：本文通訊作者為孫庚。

參考文獻(xiàn)

[1] ZHENG J， HOU Z. Model free adaptive iterative learning control based fault?tolerant control for subway train with speed sensor fault and over?speed protection [J]. IEEE transactions on automation science and engineering， 2022（2）： 1?13.

[2] KORDESTANI M， SAIF M， ORCHARD M E， et al. Failure prognosis and applications?a survey of recent literature [J]. IEEE transactions on reliability， 2021， 70（2）： 728?748.

[3] ZHENG Y， LUO Q， CUI Y， et al. Fault identification and quantitative diagnosis method for series?connected lithium?ion battery packs based on capacity estimation [J]. IEEE transactions on industrial electronics， 2022， 69（3）： 3059?3067.

[4] BERREDJEM T， BENIDIR M. Bearing faults diagnosis using fuzzy expert system relying on an Improved Range Overlaps and Similarity method [J]. Expert systems with applications， 2018（2）： 108.

[5] 沈保明，陳保家，趙春華，等. 深度學(xué)習(xí)在機(jī)械設(shè)備故障預(yù)測(cè)與健康管理中的研究綜述[J].機(jī)床與液壓，2021，49（19）：162?171.

[6] WU P， LOU S， ZHANG X， et al. Data?driven fault diagnosis using deep canonical variate analysis and fisher discriminant analysis [J]. IEEE transactions on industrial informatics， 2021， 17（5）： 3324?3334.

[7] LIU Z， PENG D， ZUO M J， et al. Improved Hilbert?Huang transform with soft sifting stopping criterion and its application to fault diagnosis of wheelset bearings [J]. ISA transactions， 2022， 125： 426?444.

[8] 田廣強(qiáng)，喬珊珊，侯?yuàn)W，等.基于快速傅里葉變換和改進(jìn)T?S模糊神經(jīng)網(wǎng)絡(luò)集成模型的逆變器開(kāi)路故障診斷方法研究[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2023，38（6）：76?86.

[9] 息佳琦，石曉楠，楊昭，等.基于SSA?XGBoost的變壓器故障診斷[J].黑龍江大學(xué)自然科學(xué)學(xué)報(bào)，2023，40（6）：721?729.

[10] LIU Z， ZHANG M， LIU F， et al. Multidimensional feature fusion and ensemble learning?based fault diagnosis for the braking system of heavy?haul train [J]. IEEE transactions on industrial informatics， 2021， 17（1）： 41?51.

[11] CHEN Z， MAURICIO A， LI W， et al. A deep learning method for bearing fault diagnosis based on cyclic spectral coherence and convolutional neural networks [J]. Mechanical systems and signal processing， 2020， 140： 106683.

[12] DIBAJ A， ETTEFAGH M M， HASSANNEJAD R， et al. A hybrid fine?tuned VMD and CNN scheme for untrained compound fault diagnosis of rotating machinery with unequal?severity faults [J]. Expert systems with applications， 2021， 167： 114094.

[13] HOANG D T， KANG H J. A motor current signal?based bearing fault diagnosis using deep learning and information fusion [J]. IEEE transactions on instrumentation and measurement， 2020， 69（6）： 3325?3333.

[14] WANG X， MAO D， LI X. Bearing fault diagnosis based on vibro?acoustic data fusion and 1D?CNN network [J]. Measurement， 2021， 173： 108518.

作者簡(jiǎn)介：陳巖霖（1998—），男，遼寧葫蘆島人，碩士研究生，研究方向?yàn)闄C(jī)器學(xué)習(xí)、智能交通。

孫" 庚（1979—），男，回族，黑龍江齊齊哈爾人，碩士研究生，副教授，研究方向?yàn)闄C(jī)器學(xué)習(xí)、嵌入式系統(tǒng)。