基于深度學習的列車制動盤剩余使用壽命預測研究

中圖分類號：U270.35；TP183 文獻標志碼：A

Research on Prediction ofRemainingUseful Life of Train Brake Disc Based on Deep Learning

Zhu Haiyan， Xu Jinhua， Xu Chenzhao，Li Xiangkun， Zhou Shengtong （SchoolofMechatronicsamp; Vehicle Engineering，EastChina JiaotongUniversity，Nanchang33oo13，China）

Abstract： To achieve accurate prediction of the remaining useful life （RUL）of brake discs，ensure train braking safety，and optimize economical maintenance，this paper proposesa prediction model based on the fusion of selfattention mechanism and long short-term memory network （BiLSTM-SA）， which takes the crack propagation lifeas the divisionbasis.Firstly，the test data ofbrake discs arecollectedand the working conditions arecalibrated，andathermal-mechanical coupling finiteelement model is established toobtain the simulation dataset.Secondly，a Time-GAN neural network isconstructed， which enhances data througha double-layer LSTM generator and a physical constraint discriminator.Itsdistribution similarity，root meansquare errorandcoefficientof determination are significantly beter than traditional models.Finally，the BiLSTM-SA fusion prediction model is proposed，which uses bidirectional LSTMand self-atention mechanism to capture temporal dependencies and key features. In the prediction of single expanding cracks，the RMSE is reduced by 49.8% and 46.5% compared with the traditional LSTMand TCN-LSTM，respectively.In complex working conditions，the RMSE and Score are optimized by 25.5% and 51.1% ，respectively， significantly improving the prediction accuracy and robustness.

This study can provide areliable technical solution for condition monitoring and preventive maintenance of highspeed train brake discs.

Key words： brake disc; fatigue crack;remaining life prediction; time series generation adversarial network; selfattentionmechanism

Citation format： ZHU HY，XUJH，XU C Z，et al. Research on prediction of remaining useful life of train brake disc based on deep learning[J]. Journal ofEast China Jiaotong University，2025，42（4）： 48-61.

深度學習技術作為早期機器學習演化的一種分支，相較于機器學習技術具有能夠自動提取特征數據的優勢[1]。其中，卷積神經網絡技術憑借其在圖像特征表達以及高維信息提取方面的應用逐漸進入大眾視野[2-3]。卷積網絡架構以原始二維圖像作為輸入，通過一系列卷積層與全連接層的處理，最終輸出各類別對應的預測概率，為多領域研究提供了新思路。

制動盤裂紋主要由冷熱循環載荷引發，高溫下材料的屈服強度極限降低，即使應力變化不大也可能導致疲勞裂紋，其熱疲勞壽命是指從投入使用到因循環熱應力導致裂紋萌生、擴展并最終達到臨界尺寸所經歷的制動循環次數或使用時間[45]。當前主流研究多依托有限元仿真，通過FRANC3D、ZENCRACK等專業疲勞分析軟件與ANSYS、ABAQUS耦合，導入熱力耦合結果進行裂紋擴展模擬。楊智勇等明確了SiCp/A356復合材料制動盤的裂紋擴展前期受SiCp顆粒偏轉與二次裂紋驅動力抑制；Wolf研究發現在裂紋閉合狀態下，只有當外加載荷達到一定閾值時，裂紋才重新張開，解釋了裂紋閉合現象，并提出了裂紋完全張開的應力強度因子；Jiang等[8，Solanki等對二維裂紋模型和三維裂紋模型的閉合效應進行了深入研究，提出了閉合效應的影響參數。現有研究普遍基于疲勞損傷累計理論構建物理模型，雖為特征提取提供參考，但在復雜工況適應性上存在局限。

近年來，在工業領域應用中智能化診斷（intelli-gent faultdiagnosis，IFD）與健康管理（prognosticsandhealthmanagement，PHM）依托深度學習（deeplearning，DL）實現了技術突破[]。卷積神經網絡（convolutionalneuralnetwork，CNN），循環神經網絡（recurrentneuralnetwork，RNN），長短期記憶網絡（long short-term memory，LSTM），深度神經網絡（deepneuralnetworks，DNN），自注意力機制等方法，通過自適應特征提取與非線性映射，推動數據驅動的剩余使用壽命（remainingusefullife，RUL）預測成為主流[1-15]

相較于依賴部件運行機制及S壽命退化失效原理的物理模型，基于數據驅動的RUL預測方法能夠從數據特征中找出部件退化規律，進而從海量的數據中自動提取出關鍵特征，并識別非線性高緯度高噪聲等雜糅數據，找到關鍵特征與設備運行失效的映射關系，解決了復雜工況下的建模難題[16-17]。鄭國康等[通過自編碼器對原始信號進行特征提取，RUL預測效果有明顯提升;趙冬冬[19]在遷移學習的軸承健康狀態評估的基礎上分別從跨設備，跨工況，混合多工況3種情景進行退化預測；劉曉飛[2]基于LSTM神經網絡對于滾動軸承進行了剩余使用壽命預測分析，并搭建了預測平臺;李榮達[2以動車組制動閘片為研究對象，制定了磨耗量、摩擦系數等失效判據，利用GA-BP神經網絡對磨耗量與制動距離進行預測；Lim等[22利用時間窗口對原始數據進行輸入批量處理，然后通過多層感知機（multi-layerperceptron，MLP）對發動機的RUL進行預測；袁燁等[23]通過將生成對抗網絡（generativeadversari-alnetwork，GAN）的生成能力與門控循環單元（gaterecurrentunit，GRU）的預測能力相結合，解決了自編碼器參數過多引起模型訓練不充分的問題；季文強[24提出一種基于Autoencoder-TCN混合網絡的RUL方法，通過K-means聚類和數據增強等方法進行數據預處理，以提升設備系統在復雜運行工況下預測的準確性；Elsheikh等[25]，Huang等[2]提出了一種新的LSTM結構，用于在給定隨機初始磨損的短監測觀測序列的情況下預測RUL;程一偉等[27]提出了一種新的LSTM網絡叫NLSTM，將原先的網絡結構嵌套了兩層，使其中的候選記憶單元改為一層新的LSTM；王文慶等[利用CNN自動提取傳感器局部特征，采用GRU對軸承進行RUL預測之后對結果再次使用了CNN濾波，結果顯著提升了準確性；王思齊[2首次使用神經網絡以及MySQL建立金屬材料數據庫對低周疲勞的零部件疲勞壽命預測；賈淵杰3提出來一種CNN與LSTM的融合模型，結果證明了較傳統網絡模型有一定的提升。實踐表明，數據驅動方法在復雜運動部件的退化規律挖掘中優勢顯著，而將深度學習與列車制動盤熱疲勞特性結合，有望構建更精準的壽命預測模型，為行車安全與維護優化提供技術支撐。

本研究以高速列車軸裝制動盤為對象，提出了基于深度學習的RUL預測框架。針對制動盤原始數據樣本不足的缺陷，通過Time-GAN神經網絡對其進行數據增強，豐富裂紋初始狀態不同的靜態特征，進一步增強訓練數據集樣本數量，接著構建BiLSTMSA神經網絡模型使用數據增強樣本進行訓練優化，最終通過制動盤試驗數據集進行預測結果驗證。

1 理論基礎

1.1疲勞強度壽命理論

疲勞壽命理論根據材料或者部件實際應用的場景不同，有不同的疲勞壽命理論，包括應力-壽命理論，應變-壽命理論，斷裂力學理論，疲勞累積損傷理論等。制動盤壽命的判定依據疲勞累計損傷理論，Miner'sRule的計算公式為

式中： n_i 為第 i 個載荷級別下的循環次數； N_i 為第 i 個載荷級別下材料的疲勞壽命（對應于該應力幅的循環數），通常由S-N曲線獲得； D_total 為總損傷。

1.2 自注意力機制

自注意力機制（self-attentionmechanism）核心目的是在處理序列數據時，通過計算序列中不同位置之間的相似性，為每個輸入賦予不同的權重，從而使得模型能聚焦于重要信息，減少對外部信息的依賴（圖1）。圖1中 W 為權重。主要通過動態建模序列內部元素間的相關性，實現全局信息的高效融合，其計算公式為

式中： 為查詢矩陣； K 為鍵矩陣； V 為數值矩陣；

為鍵向量的維度。

1.3 1 模型評價指標

模型評價指標為均方根誤差（rootmeansquareerror，RMSE）和評分指標（Score），均方誤差是模型預測值與實際值之間的平均誤差，模型預測的結果越準確則RMSE值就越小，其計算公式為

式中： y_i 和 y_i^′ 分別為真實數據值和模型預測值； n

為樣本數量。

常見的Score評價指標為決定系數，用于衡量模型預測值與實際值之間的擬合程度，決定系數越接近1代表預測性能越好。具體的計算公式為

圖1自注意力機制網絡結構圖

Fig.1Structure diagram of self-attentionmechanismnetwork

根據式（3）與式（4）可知，RMSE的數值越小代表數據越接近真實樣本，模型預測性能越優異

2Time-GAN數據增強網絡模型

2.1 算法流程

圖2展示了Time-GAN神經網絡的算法流程。它由4個模塊組成，分別為嵌入模塊、恢復模塊、生成模塊以及判別模塊。其中嵌入模塊與恢復模塊屬于自動編碼組件，生成模塊以及判別模塊為對抗組件，兩者聯合訓練，使Time-GAN同時學習編碼特征，生成表達數據以及跨時間的迭代。

首先，制動盤裂紋擴展的訓練數據（溫度，振動，壓力，對流系數等時序數據輸入通過嵌入模塊在低緯的潛在空間中輸出一維時序數據，而對抗網絡則在此潛在空間內運行。然后，生成器通過添加隨機噪音的方式，對低緯的訓練數據進行數據增強，并與判別器進行對抗訓練。最后生成的一維數據輸出至潛在空間，通過恢復模塊轉化為多維向量數據。其中自編碼網絡即嵌入函數在對多維數據進行壓縮以及恢復模塊進行維度擴展時會產生數據重構損失，在低緯潛在空間內的生成對抗網絡在生成數據時會產生無監督對抗損失，最后在兩個網絡與潛在空間進行數據傳輸時會產生一定的有監督誤差損失。Time-GAN神經網絡的綜合損失為3個損失之和，因此需綜合考慮各損失占比進行聯合訓練，最終實現高準確率的數據增強效果。

2.2 網絡結構

圖3為生成器網絡結構圖。生成器網絡主要由兩個部分組成，首先是主通路上的雙層LSTM與Dropout循環模塊，將潛在空間內一維的制動盤剩余壽命數據輸入至LSTM神經網絡并添加隨機噪音，在輸出結果時通過正則化Dropout，最終通過tanh激活函數將數據輸出至 （-1，1） 。tanh函數相較于Sigmoid具有對稱性的優勢。在面對制動盤裂紋擴展數據中，由于殘余應力會產生拉壓應力，因此數據樣本中存在負值，而對稱性使得 tanh 在處理負輸人時表現較好，計算公式為

式中：e為自然對數的底數； x 為輸入值。

完成一次主通路之后，生成器在tan后進行時序標簽的數據統計，將全部數據再次輸人第二次循環，經過循環后的數據通過Liner線性層輸出，最終生成器將生成結果與時序數據標簽進行拼接。

通過分析研究，Time-GAN神經網絡主要包括3種損失，嵌入損失（embeddingloss），恢復損失（reconstructionloss）以及對抗損失（adversarialloss），3種損失分別代表無監督對抗損失，有監督誤差損失，數據重構損失。總損失函數即為3個損失函數部分的加權和，計算公式為

L_total=L_embed+L_recon+L_adv

式中： L_embed 為嵌入損失，通過歐幾里得距離來衡量生成數據與真實數據在潛在空間的差異； L_recon 是恢復損失，可采用L2損失來衡量生成數據和真實數據之間的差異； L_adv 為對抗損失，用于訓練生成器和判別器。

圖2Time-GAN神經網絡算法流程 Fig.2Algorithm flow of Time-GAN neural network

圖3生成器網絡結構圖Fig.3Structure diagram of generatornetwork

3 BiLSTM-SA網絡預測模型

3.1 BiLSTM-SA網絡結構

圖4為BiLSTM-SA網絡結構圖。首層BiL-STM層實際由并行的BiLSTM網絡構成，該結構確保了每個融合特征均能通過獨立的BiLSTM網絡進行處理，以提取其固有的時序特性。隨后，自注意力層被引入以自適應地計算不同融合特征的權重，從而獲得最優的特征組合。這一過程替代了傳統的人工特征選擇方法，實現了退化特征的自動化選擇。繼而，第二層BiLSTM對所有融合特征進行進一步處理，以提取與制動盤剩余使用壽命（RUL）相關的退化信息。最終，模型通過兩個全連接層輸出制動盤RUL的預測結果。

3.2 BiLSTM-SA算法流程

通過自注意力機制對BiLSTM輸出的所有時間步隱藏狀態進行計算，將其作為自注意力機制的輸人，計算其每個子步的注意力分數，其計算公式為

式中： s 為上下游數據向量； W_h ， W_s 均為權重參數矩陣； u 和 則為學習參數。

計算出的注意力分數還需經過Softmax歸一化

圖4BiLSTM-SA網絡結構圖 Fig.4StructurediagramofBiLSTM-SAnetwork

得出注意力權重，其計算公式為

根據自注意力機制得出注意力權重，再對BiLSTM模型的時間步隱藏狀態權重進行加權求和并重新分配，生成上下游時序向量。該向量包含了全局時序信息，可以突出制動盤在關鍵退化階段的時序特征，其計算公式為

將上下文向量 c 與對原始的BiLSTM進行逐個元素的相加，并在模型后引入殘差連接抑制一部分噪聲，最后通過全連接層將增強特征映射至目標維度得到最終的制動盤壽命預測結果，進一步保證模型的精度，其計算公式為

整體BiLSTM-SA算法流程如圖5所示。

4試驗與仿真協同驗證

為檢驗Time-GAN神經網絡對制動盤裂紋擴展失效數據進行數據增強的有效性，將基于Ansys的仿真結果作為訓練數據集，制動盤試驗數據作為本章模型驗證的測試數據集。通過比較制動盤裂紋壽命生成數據與原始數據的分布性檢驗模型性能，并使用t-SNE降維技術對生成效果進行可視化展示。另外，使用RCGAN、T-Forcing和P-Forcing主流時序數據增強模型對制動盤裂紋擴展剩余使用壽命數據集進行數據增強實驗，以評估和對比模型性能差異，進而比較Time-GAN神經網絡對制動盤剩余使用壽命數據樣本的數據生成表現和效果。

圖5BiLSTM-SA算法流程圖 Fig.5Algorithm flowchart ofBiLSTM-SAnetwork

4.1 數據集描述

訓練數據集選取了對于預測模型的準確性至關重要的16個輸入特征，各輸入特征的名稱及具體含義如表1所示。部分輸人特征為靜態特征，如裂紋的初始狀態，包括裂紋的初始長度和裂紋的初始角度，裂紋的長短半徑比，其余均為隨時間序列變化的動態特征。

如表1所示，制動盤狀態監測數據由多個傳感器參數組成，各特征數值類型和單位均不相同，這將給后續的預測帶來較大的誤差，因此有必要通過歸一化處理消除特征之間的量綱差異，增強數據的穩定性。為此采用最大最小歸一化操作對原始數據進行預處理，使得監測值在[-1，1]，具體表達式為

式中： x_max 與 x_min 分別是該參數在其集合中的最大數值與最小數值，通過將每個參數減去其集合中的最小數值并與總體集合長度相除，即可得到其在集合中的歸一化統一量綱數據。

表1特征參數詳細信息 Tab.1 Detailedinformationofcharacteristicparameters

在模型訓練之前需對特征數據進行選取，因為其中的靜態特征通過后續模型的線性層即可添加其對制動裂紋擴展壽命的影響比例，這些數值與RUL之間沒有直接關聯需要去除。

基于有限元的同工況模擬仿真，通過間接耦合法，在仿真計算中將高速列車制動過程視為勻減速運動，并假設閘片壓力恒定。基于間接耦合方法對制動盤應力場進行數值仿真（圖6），將熱通量施加制動盤后得到的溫度場結果作為邊界條件施加在制動盤模型上。不同制動工況產生的熱殘余應力數值及分布存在差異，共選取5種不同速度不同制動方式下的制動工況，具體的制動工況如表2所示。

基于不同制動工況下的輸入特征參數，對仿真的初始邊界條件進行相應的調整，計算不同制動工況下的殘余熱應力，以 300km/h 緊急制動工況下列車制動結束后1000s為例，其結果如圖7所示。分析圖7可知，列車制動結束后，制動盤的殘余拉應力集中在制動盤表面中心處與散熱筋交界處，最大值為 210.56MPa ，其余工況下的殘余拉應力結果分布位置相似，而拉應力數值存在差異。

圖6制動盤有限元計算流程

Fig.6 Finite element calculation process of brake disc

表2制動工況參數 Tab.2Brakeworkingconditionparameters

在模型訓練前需進行特征篩選，由于靜態特征對制動裂紋擴展壽命的影響能夠通過模型線性層量化表征，且其數值與RUL無直接映射關系，故應予以剔除。圖8給出了Ansys仿真訓練集中4種常見的緊急制動工況的監測特征歸一化數據，分別是T1、V1、P10、P20、P30、P40、P50、C1、C2。

圖7制動盤應力場分布云圖

試驗數據集以西南交大制動試驗平臺的試驗數據為基礎，其試驗基于已經產生裂紋的制動盤，對其進行1：1臺架試驗。試驗結果出現眾多不同的裂紋初始長度，且存在各種龜裂紋，因此對于裂紋的選取僅考慮制動盤的失效判據裂紋即徑向主裂紋。在進行徑向主裂紋長度的測量過程中，若存在多條徑向主裂紋尖端彼此接近且未完全貫通，裂紋尖端間距小于 5mm ，則可將其視為單一裂紋進行尺寸測定。對于非共線的多條徑向裂紋，若其周向間距小于 2mm ，則可將其合并為一條裂紋進行長度測定。至于徑向主裂紋尖端的龜裂紋，由于其尺寸微小且呈網狀分布，故不納入主裂紋長度的測量范疇。

圖8制動盤仿真各項輸入特征參數 Fig.8Inputcharacteristicparametersforbrake disc simulation

試驗條件下最高速度可達 300km/h ，制動次數共1001次，其制動壓力載荷施加順序如表3所示。制動過程中通過噴灑液態水冷卻，以便快速降低制動盤的溫度。

對制動盤試驗數據與表1所示特征參數進行數據歸一化處理，并保留原始噪音，制動盤試驗數據集如圖9所示。

4.2數據增強結果

數據增強后的制動盤裂紋擴展壽命數據為高緯度數據，由于具有多個維度特征難以通過二維圖片展示，因此需要對其進行降維可視化。通過t-SNE（t-distributed stochasticneighbor embedding）降維方法對生成數據結果進行降維操作，將高維數據映射到二維或三維空間，高維度空間相似度計算公式為式中： σ_i 為點中心的高斯核貸款，通過困惑度控制。

表3制動盤臺架試驗的載荷工況參數

Tab.3Load condition parameters of brake disc bench tes1

獲取相似度后需繼續優化目標，最小化高位空間概率分布的KL散度計算公式為

圖9制動盤試驗數據各項輸入特征參數Fig.9Inputcharacteristicparametersofbrakedisctestdata

通過t-SNE對基于Time-GAN神經網絡生成的制動盤裂紋擴展失效數據以及其他主流算法進行降維，對生成的結果進行可視化，其結果如圖10所示。分析圖10可知，RCGAN與Time-GAN兩個模型的分布一致性要明顯優于T-Forcing與P-Forcing模型，尤其是數據的重疊度。但是在降維特征負數區間內，RCGAN的數據存在一定的數據結構偏離，生成數據與原始數據出現一定的分叉。而P-Forcing與T-Forcing由于對時序數據中時間關聯性捕捉不到位，出現多個離散數據點的異常點，對于時序數據存在的數據結構也有明顯的結構偏離。

4.3 RUL預測結果

通過構建的BiLSTM-SA模型對制動盤試驗中的有裂紋擴展數據進行擬合，并根據選中的30條裂紋進行編號排列，其擬合結果如圖11所示。分析圖11可知，模型預測曲線與試驗趨勢大致相同，但存在局部偏差。在裂紋編號2、6、9、10、21、26這幾個裂紋的剩余壽命預測上，預測值要高于試驗數據。

BiLSTM-SA模型對制動盤制動試驗的裂紋擴展數據總體預測效果較好，其平均MAE（絕對誤差）為18.26，RMSE（均方誤差）為19.85。

基于Time-GAN神經網絡進行數據增強后，在生成的數據中隨機選取250條具有不同裂紋長度的制動盤壽命數據樣本，通過BiLSTM-SA模型對生成數據的制動盤剩余使用壽命進行預測，結果如圖12所示。分析圖12可知，BiLSTM-SA預測模型在制動盤裂紋壽命低于60000次的預測結果中表現優異，其平均RMSE為18.79，平均MAE為17.86。而對于裂紋擴展壽命大于60000次的裂紋壽命仿真數據，模型的平均RMSE為19.31，平均MAE為18.02。這表明，盡管模型在長壽命裂紋預測上存在一定的局限性，但其整體性能依然表現良好，特別是在預測短壽命裂紋方面表現尤為突出。

為更直觀地展示建立的BiLSTM-SA模型在制動盤裂紋擴展壽命預測數據中的性能，在制動盤裂紋壽命試驗數據中，分別在A面以及B面各選取兩條裂紋擴展數據，對比兩種LSTM模型（單一LSTM、TCN-LSTM）在訓練過程中的性能表現，不同模型預測結果如圖13所示。分析圖13可知，在A12裂紋中TCN-LSTM的預測結果與真實值偏差嚴重，尤其是裂紋擴展在制動次數200～800次出現短暫的失真現象，而BiLSTM-SA模型的擬合效果明顯優于其余兩個模型。在A13裂紋擬合中，單一的LSTM模型與TCN-LSTM模型在制動次數 400～ 800次均出現偏離現象，具體原因是A13裂紋的擴展長度較大，兩個模型對于數據特征的全局性能比BiLSTM-SA模型差。

圖10t-SNE降維可視化結果對比

Fig.10 Comparisonof t-SNEdimensionalityreduction visualizationresults

圖11制動盤裂紋剩余壽命試驗數據趨勢擬合 Fig.11Trend fitting of brake disc crack remaininglifetestdata

圖12制動盤裂紋剩余壽命仿真數據趨勢擬合 Fig.12 Trend fitting of brake disc crack remaining lifesimulationdata

如表4所示，對于3個模型的擬合效果，通過評價指標均方誤差RMSE與得分函數Score對模型進行量化處理。分析表4可知，與單一LSTM神經網絡以及TCN-LSTM神經網絡相比，構建的BiL-STM-SA神經網絡在4個隨機的制動盤裂紋試驗數據上均有顯著的性能差異。以裂紋編號A13為例，在單一擴展的裂紋狀態中，BiLSTM-SA相比于單一的LSTM結構網絡模型以及TCN-LSTM模型，其RSME分別下降了 49.8% 46.5% ，Score得分函數指標分別下降了 70.5%，62.3% 。而在擴展裂紋中相對復雜的裂紋編號A12與B14中，其RSME對比最好的模型數據結果分別下降了 25.5% 19.0% ，Score得分函數指標分別下降了 51.1%，39.9% 。因此可得，所提出的算法對于制動盤裂紋擴展壽命的預測性能表現優異，具有更高的準確性。

圖13不同算法裂紋擴展壽命預測結果

Fig.13Predictionresultsofcrack propagation lifebydifferentalgorithms

表43種模型結果對比Tab.4 Comparisonof theresultsofthreemodels

5 結論

采用Time-GAN數據增強與BiLSTM-SA融合建模方法，對多工況多裂紋狀態下的列車制動盤剩余使用壽命（RUL）進行了系統研究，得出以下結論。

1）提出的Time-GAN神經網絡以制動次數為序列劃分依據，通過雙層LSTM生成器與物理準則約束的判別器優化模型，生成數據的分布相似性、均方根誤差與決定系數均顯著優于傳統RCGAN等模型。

2）構建的雙向長短期記憶-自注意力機制融合模型（BiLSTM-SA），通過雙向LSTM捕捉退化數據的時序依賴，結合自注意力機制強化關鍵特征權重分配。在單一裂紋擴展場景中，較傳統LSTM與TCN-LSTM模型，預測RMSE分別降低 49.8% 和46.5% ，Score分別優化 70.5% 與 62.3% ；復雜工況下RMSE與Score仍實現 25.5% 和 51.1% 的提升，驗證了模型在多維度退化特征識別中的高精度與魯棒性。

3）在以單一徑向裂紋為失效判據的場景中，BiLSTM-SA模型可自適應提取制動盤失效特征，精準預測裂紋擴展長度及RUL，其性能顯著優于典型LSTM變種算法，為高速列車制動盤的狀態監測與預防性維護提供了可靠的技術方案。

參考文獻：

[1]程一偉，朱海平，吳軍，等.基于嵌套長短期記憶網絡的 機械裝備剩余使用壽命預測方法[J].中國科學：技術科 學，2022，52（1）： 76-87. CHENG YW，ZHUHP，WU J， et al.A remaininguseful life prediction method based on nested long short- term memory network for mechanical equipment[J].Scientia Sinica （Technologica），2022，52（1）： 76-87.

[2]王文慶，郭恒，范啟富.基于CNN與GRU的航空發動機 剩余壽命預測[C]/中國自動化會控制理論專業委員會. 第37屆中國控制會議論文集（F）.北京：《中國學術期刊 （光盤版）》電子雜志社有限公司，2018：546-551. WANG W Q， GUO H，FANQF.Predict remaining useful life of aerospace engine based on CNN and GRU[C]// Control Theory Committee of China Automation Society. Proceedings of the 37th Chinese Control Conference（F）. Beijing：“China Academic Journal （CD）”Electronic Magazine Co.，Ltd.， 2018：546-551.

[3] 朱海燕，黎潔，肖乾，等.輪軌激勵對高速列車軸裝制動 盤熱-機耦合疲勞分析[J].機械工程學報，2024，60（4）： 409-419. ZHU H Y，LI J， XIAO Q， et al. Thermal-mechanical coupling fatigue analysis of high-speed train axle-mounted brake disc under wheel-rail excitation[J]. Journal of Mechanical Engineering，2024， 60（4）： 409-419.

[4] 黃益昌，張繼旺，蘇凱新，等.高速列車鑄鋼制動盤表面 裂紋應力強度因子分析[J].機械科學與技術，2025，44 （6）：1080-1089. HUANG Y C， ZHANG JW， SUK X， et al. Analysis of surface crack stress intensity factor for cast steel brake disc of high-speed train[J]. Mechanical Science and Technology for Aerospace Engineering，2025，44（6）： 1080- 1089.

[5] 楊智勇，李志強，李衛京，等.制動盤摩擦面熱損傷的形 成機理分析[J].鐵道機車車輛，2012，32（3）：14-19. YANG Z Y， LI Z Q，LI W J， et al. Research on forming mechanism of thermal damages of brake disc in service [J].Railway Locomotive amp; Car，2012，32（3）： 14-19.

[6]楊智勇，臧家俊，方丹琳，等.城軌列車制動盤 SiCp/ （204號 A356復合材料熱疲勞裂紋擴展機理[J].材料工程， 2022， 50（7）： 165-175. YANG Z Y， ZANG JJ， FANG D L， et al. Thermal fatigue crack propagation mechanism of SiCp/A356 composites for urban rail train brake disc[J]. Journal of Materials Engineering，2022，50（7）：165-175.

[7]WOLF E. Fatigue crack closure under cyclic tension[J]. Engineering Fracture Mechanics，1970，2（1）： 37-45.

[8]JIANG Y Y， FENG ML，DING F. A reexamination of plasticity-induced crack closure in fatigue crack propagation[J].International Journal of Plasticity，20o5，21（9）： 1720-1740.

[9]SOLANKI K， DANIEWICZ S R，NEWMANJ C. Finite element analysis of plasticity-induced fatigue crack closure：an overview[J].Engineering Fracture Mechanics， 2004， 71（2）： 149-171.

[10] 溫玉穎，張曉新，燕青芝.高鐵制動盤失效原因和改進 對策[J].機械工程學報，2023，59（14）：264-276. WEN Y Y， ZHANG X X， YAN Q Z. Failure causes and the improvement countermeasures on high- speed brake disc[J].Journal of Mechanical Engineering，2023，59（14）： 264-276.

[11] 左建勇，王雪萍，周蘇芬，等.動車組制動盤熱仿真方法 適用性研究[J].中國鐵道科學，2022，43（5）：78-86. ZUO J Y， WANG X P， ZHOU S F， et al. Applicability research on thermal simulation methods for EMU brake discs[J]. China Railway Science，2022， 43（5）： 78-86.

[12] 張永超，楊海昆，劉嵩壽，等.基于RBM-CNN模型的滾 動軸承剩余使用壽命預測[J].軸承，2025（5）：96-101. ZHANG Y C， YANG H K，LIU S S，et al. Remaining useful life prediction of rolling bearings based on RBMCNN model[J]. Bearing，2025（5）： 96-101.

[13]梁天添，劉健，梁賀焱，等.軸承剩余使用壽命預測的IDSA-LSTMNN[J].振動測試與診斷，2025，45（2）：273-280. LIANGTT，LIUJ，IANGHY， etal. IDSA-LSNN for prediction of bearing remaining useful life[J]. Journal ofVibration，Measurementamp; Diagnosis，2025，45（2）： 273-280.

[14]徐自力，高京京，覃曼青，等.基于混合機器學習模型的 兩級加載下金屬材料的剩余疲勞壽命預測方法[J].機 械工程學報，2025，61（12）：73-82. XU ZL， GAO J J， QIN MQ， et al. Hybrid machine learning method for remaining fatigue life prediction of the metallic materials under two- step loading[J]. Journal of Mechanical Engineering，2025，61（12）： 73-82.

[15]潘美琪，賀興.基于TimeGAN-Stacking的風電機組變 槳系統故障診斷方法[J].太陽能學報，2025，46（1）：192 200. PAN M Q，HE X. Fault diagnosis method for wind turbine pitch system based on TimeGAN- Stacking[J]. Acta Energiae Solaris Sinica，2025，46（1）：192-200.

[16]苗磊，劉楊，田童暉，等.基于TimeGAN-LSTM的月徑 流預測模型[J].水電能源科學，2024，42（11）：12-15. MIAO L，LIU Y， TIAN TH， et al. Monthly runoff predictionbased on TimeGAN-LSTMmodel[J].WaterResources and Power，2024，42（11）：12-15.

[17]黃開遠，羅娜.基于Attention機制改進TimeGAN的小 樣本時間序列預測方法[J].華東理工大學學報（自然科 學版），2023，49（6）： 890-899. HUANGKY，LUO N. Improved TimeGAN based on Attention for time series prediction method with few shot [J].Journal of East China University of Science and Technology，2023，49（6）： 890-899.

[18] 鄭國康，周崢，嚴如強.基于深度強化學習的機械裝備 剩余使用壽命預測方法[J].中國科學：技術科學，2023， 53（7）： 1175-1188. ZHENG G K， ZHOU Z， YAN RQ. Method for predicting the remaining useful life of mechanical equipment based on deep reinforcement learning[J]. Scientia Sinica （Technologica），2023，53（7）： 1175-1188.

[19]趙冬冬.基于深度學習的動車組軸承狀態評估與剩余 使用壽命預測方法研究[D].北京：北京交通大學，2022. ZHAO D D. Research on EMUs bearing condition assessment and remaining useful life prediction method based on deep learning[D]. Beijing： Beijing Jiaotong University，2022.

[20]劉曉飛.基于LSTM網絡的滾動軸承可靠性評估及壽 命預測[D].大連：大連理工大學，2019. LIU XF. The Reliability assessment and remaining useful life prediction of roling bearing based on the LSTM network[D]. Dalian： Dalian University of Technology， 2019.

[211 本螢達動車組制動間片壽命預測及可靠性分析] 哈爾濱：哈爾濱理工大學，2022. LIRD. Brake pad life prediction and reliability analysis for electrical multiple unit[D]. Harbin： Harbin University of Science and Technology，2022.

[22]LIMP，GOH CK， TANKC.A time window neural network based framework for remaining useful life estimation[C]//Vancouver： 2016 International Joint Conference onNeural Networks （IJCNN），2016：1746-1753.

[23]袁燁，黃虹，程騁，等.基于特征注意力機制的GRUGAN航空發動機剩余壽命預測[J].中國科學：技術科 學，2022，52（1）： 198-212. YUAN Y， HUANG H， CHENG C， et al. Remaining useful life prediction of the aircraft engine based on the GRU-GAN network with a feature attention mechanism [J].Scientia Sinica（Technologica），2022，52（1）：198-212.

[24]季文強.基于深度學習和不確定性量化的數據驅動剩余 壽命預測方法研究[D].合肥：中國科學技術大學，2020. JI WQ.Research on data-driven remaining useful life prediction method based on deep learning and uncertainty quantification[D].Hefei：University of Science and Technology of China，2020.

[25]ELSHEIKHA，YACOUTS，OUALIMS.Bidirectional handshaking LSTM for remaining useful life prediction [J].Neurocomputing，323（5）：148-156.

[26] HUANG C G，HUANG H Z，LI YF.A bidirectional LSTM prognostics method under multiple operational conditions[J]. IEEE Transactions on Industrial Electronics，2019，66（11）： 8792-8802.

[27]程一偉，朱海平，吳軍，等.基于嵌套長短期記憶網絡的 機械裝備剩余使用壽命預測方法[J].中國科學：技術科 學，2022，52（1）： 76-87. CHENGYW，ZHUHP，WUJ，etal.Aremaininguseful life prediction method based on nested long short- term memory network for mechanical equipment[J].Scientia Sinica（Technologica），2022，52（1）：76-87.

[28]王文慶，郭恒，范啟富.基于CNN與GRU的航空發動機 剩余壽命預測[C]//武漢：第37屆中國控制會議論文集 （F），2018：546-551. WANGWQ，GUOH，FANQF.Predict remainingusefullifeofaerospaceengine based on CNNand GRU[C]/ Wuhan： Proceedings of the 37th Chinese Control Conference（F），2018：546-551.

[29]王思齊.基于神經網絡的低周疲勞壽命預測方法研究 [D].大連：大連理工大學，2022. WANG S Q.Neural network based low cycle fatigue life prediction[D].Dalian：Dalian University of Technology，2022.

[30]賈淵杰.基于深度學習的渦扇發動機剩余使用壽命預 測研究[D].西安：長安大學，2022. JIAYJ.Researchonremaininguseful lifepredictionof turbofan engines base on deep learning[D]. Xi’an： Chang'anUniversity，2022.

通信作者：朱海燕（1975一），男，教授，博士，博士生導師，研究方向為高速列車系統動力學及疲勞強度。E-mail：zhupe-trelcao@163.com。

（責任編輯：吳海燕）