《動車組故障診斷技術發(fā)展研究的文獻綜述》7500字

動車組故障診斷技術發(fā)展研究的國內外文獻綜述目錄TOC\o"1-2"\h\u283011.1動車組故障診斷的相關技術和挑戰(zhàn) 12341.2基于傳統(tǒng)機器學習的模擬電路故障診斷方法 332281（1）決策樹（DecisionTree，DT） 313804（2）貝葉斯網絡（BayesianNetwork，BN） 323488（3）支持向量機（SupportVectorMachine，SVM） 312293（4）人工神經網絡（ArtificialNeuralNetwork，ANN） 463721.3基于深度學習的模擬電路故障診斷方法 518543（1）深度置信網絡(DeepBeliefNetwork，DBN) 5270761.4遷移學習在模擬電路故障診斷中的應用 627285參考文獻 71.1動車組故障診斷的相關技術和挑戰(zhàn)高速鐵路動車組的運營涉及電氣、機械、計算機科學、自動化及物理方面的復雜技術，在動車組的設備維修、維護、健康監(jiān)測與管理和故障診斷等方面有很高的要求，故障診斷是動車組運維過程中一個非常重要的環(huán)節(jié)。20世紀60年代，日本最先開始對動車組的故障診斷進行研究，主要研究對象是動車的關鍵部件如軸承和輪對等。從90年代開始，日本成立動車組相關研究分會，以輔助電機、牽引電機、變壓器、通風機、齒輪箱、軸承等為研究對象進一步拓寬了動車組故障診斷的范圍。加拿大Ultra-Tech公司釆用收集振動加速度信號，對動車組轉向架蛇形失穩(wěn)故障進行診斷研究。法國Banbadi公司對轉向架蛇行失穩(wěn)的研究工作，也取得了一定的成果。瑞典SKF公司對鐵路機車車輛新型軸承開展了研發(fā)和制造工作，同時也對機車軸承的運行狀態(tài)開展故障診斷工作。到90年代中期，隨著計算機和人工智能的發(fā)展，對于動車組故障的診斷由傳統(tǒng)的人工化向智能化方向發(fā)展，基于信號處理的傳統(tǒng)故障診斷方法逐漸被以故障模式的自動識別和分類為特征的智能故障診斷方法所取代，智能故障的模式識別和分類技術主要以相似性準則、神經網絡、遺傳算法、深度學習等機器學習理論為基礎，在動車組故障診斷領域取得了豐富的成果。Roberts等通過將模糊邏輯與神經網絡結合對鐵路系統(tǒng)故障進行智能診斷[18]；Patel等基于赫茲接觸理論建立了列車軸承的內外圈斷裂故障模型，由滾子和滑道接觸特征建立非線性方程組來模擬故障行為[19]。Morgado等通過采用PCA分析列車齒輪箱外殼的振動和疲勞狀況，將故障情況建模，研究了齒輪箱相關故障機理[20]。日本國立大學研究生院[21-22]使用交互式多?？柭鼮V波器對車輛橫向懸掛系統(tǒng)故障進行診斷。然后用仿真數據作為觀測量估算出懸掛系統(tǒng)的故障概率模型和參數，得到了較好的效果。Silva等通過測量三相定子電流包絡曲線，結合混合高斯模型和貝葉斯極大似然分類器實現了動車牽引電機定子繞組匝間短路故障和轉子斷條故障的判斷[23]。Lebaroud等利用最優(yōu)化時頻分布提取感應電機的故障特征，然后用隱馬爾科夫模型結合ANN算法來判斷故障類型[24]。Sadeghian等利用小波包分解來提取定子電流中的故障特征，并利用ANN模型進行故障分類[25]。國內以鐵道科學研究院、北京交通大學、西南交通大學等一批與鐵路相關的高校和科研單位為代表，在對于高速鐵路及動車組的故障診斷技術上都進行了大量的研究。胡曉依等利用奇異值分解對振動信號降噪，再利用短時傅里葉變換對降噪后的振動信號解調，提高了對動車軸承故障的診斷率[26]。趙陽等用融合K2算法和MCMC算法來優(yōu)化貝葉斯網絡對動車組車載信號系統(tǒng)進行故障診斷，取得了較好的效果[27]。于萍等利用集合經驗模態(tài)分解降噪來提取動車走行部件的故障特征，然后用流形學習優(yōu)化支持向量機對故障進行分類，區(qū)分動車走行部件幾種常見故障類型的特征參數[28]。戴晨曦等提出了基于模型和模糊Petri網來定位高鐵動車組牽引變壓器故障的方法，該方法采用離線搜索最小沖突候選集和在線識別最小沖突集實現外部故障診斷，運用基于模型診斷方法定位故障元件，利用模糊Petri網區(qū)域知識診斷內部故障[29]。韓燁等利用梯度直方圖結合小波變換提取故障特征，利用支持向量機進行分類來檢測動車組接觸網支撐與懸掛裝置的故障，具有較高的使用價值[30]。孟苓輝利用基于規(guī)則的改進自組織映射神經網絡對動車組的牽引變流器進行故障診斷，與傳統(tǒng)的BP神經網絡診斷方法相比具有一定的優(yōu)勢[31]。魯進軍等利用主元分析提取故障特征，Petri網進行故障分類有效的解決動車組速度傳感器的故障診斷問題[32]。從上述研究和近些年的國內外相關文獻可知，對于動車組連接各個系統(tǒng)的基本單元車載電路部分的故障診斷，相關的研究較少。動車組的車載模擬電路關系著動車的正常運轉，對故障診斷的精度有著嚴格的要求。電路本身又具有抗干擾性弱，元器件存在參數連續(xù)、容差性、非線性等特點，使得在對車載模擬電路進行智能故障診斷的理論和技術還面臨著較多的問題和挑戰(zhàn)：動車組模擬電路以大規(guī)模集成電路為主，測試節(jié)點較少，建立故障模型比較困難，在故障的特征提取上需要融入人工智能技術來解決容差和非線性問題；同時由于電路規(guī)模大，數據量較大，對算法的收斂性和復雜度要求較高，對測試樣本的訓練時間也有較高的要求；由于車載電路的運行環(huán)境較為復雜，考慮引入遷移學習方法來解決變工況下的模擬電路故障診斷的模型泛化能力差等問題。1.2基于傳統(tǒng)機器學習的模擬電路故障診斷方法20世紀60年代，R.SBerkowitz首先提出了在電路元件間建立導納函數來解析元件參數值，正式開啟了模擬電路故障診斷的時代[33]。1979年，Navid和Willson提出利用電路元件阻抗與拓撲關系確定電路元件參數值的有效范圍，進一步完善了模擬電路故障診斷的理論基礎[34]。80年代中期，模擬電路故障診斷正式成為繼網路分析和網絡綜合之后的網絡理論第三大分支[35]。在這一時期，故障字典法[36-38]、故障驗證法[39-42]和參數識別法[43-45]作為傳統(tǒng)的模擬電路故障診斷方法得到了廣泛的應用。但是這些方法存在著計算量過大、診斷效率低，故障類型有限等不足。進入90年代后，隨著人工智能技術的發(fā)展，基于機器學習的模擬電路故障診斷方法得到廣泛的研究。在這一時期，傳統(tǒng)機器學習方法獲得了快速發(fā)展和良好的效果，如圖1-2所示，該方法將模擬電路的故障診斷分為三步：(1)模擬電路故障數據的獲?。?2)提取模擬電路中不同類別故障的特征；(3)根據提取的特征進行故障分類完成診斷。這也是目前模擬電路故障診斷的常用方法。傳統(tǒng)的機器學習方法有決策樹、貝葉斯網絡、支持向量機和人工神經網絡等。決策樹（DecisionTree，DT）決策樹是機器學習領域里一種最常見的分類方法。以信息熵、增益率和基尼系數等指標作為依據依次對系統(tǒng)影響的主要因素加以判別，最終按影響因素的重要性進行分類。劉喜梅等[46]通過引入主元分析衡量不同故障的特征值，然后構建決策樹分類器進行模擬電路的故障診斷，提高了速度和精度。宋國明等[47]采用小波變換提取電路的故障特征，然后以決策樹結構建立分級診斷的故障決策系統(tǒng)，有效的提高了故障的識別率。朱文博等[48]提出一種C4.5組合決策樹方法，用粗糙集屬性約簡選擇診斷子網特征屬性，再用C4.5融合子網提取故障規(guī)則，提高了故障診斷準確率。貝葉斯網絡（BayesianNetwork，BN）貝葉斯網絡是描述隨機變量之間依賴關系的一種概率圖模型，具有多功能性，有效性和開放性等特性，是用來推理不確定問題的有效工具[49]。羅志勇等[50]利用小波變換提取故障特征量，將貝葉斯網絡應用于最小二乘支持向量機的優(yōu)化參數來確定模擬電路故障診斷的模型。趙進曉等[51]將模擬電路元件狀態(tài)模型轉化為貝葉斯網絡，利用團樹算法得出元件故障的精確概率值。孫健等[52]用隨機投影算法提取模擬電路的故障特征，輸入到貝葉斯網絡中進行故障分類，取得較好的效果。支持向量機（SupportVectorMachine，SVM）支持向量機是建立在統(tǒng)計學和結構風險最小化理論基礎上的一種經典分類算法，核心思想是將輸入空間中的樣本點映射到一個高維空間，然后通過一系列核函數和參數因子的選擇得到最優(yōu)的分類。在處理小樣本、非線性和高維模式識別問題上SVM具有非常好的性能。唐靜遠等[53]利用小波變換提取被測電路信號的低頻系數形成特征集，然后輸入到SVM中進行故障診斷。陳世杰等[54]用小波分解提取電路信號能量分布特征，再用遺傳算法優(yōu)化支持向量機多分類決策樹方法進行故障診斷，具有較好的誤差控制能力。Tang等[55]利用混合粒子群優(yōu)化支持向量機的特征子空間和核函數，在模擬電路故障診斷上明顯提高了性能和準確率。Chen等[56]利用主元分析提取模擬電路故障特征，輸入到經遺傳算法優(yōu)化過核函數的SVM中進行故障診斷。張朝龍等[57]利用量子粒子群算法來優(yōu)化廣義多核支持向量機的參數，對小波變換提取的模擬電路故障特征進行分類，獲得了較高的故障診斷率。人工神經網絡（ArtificialNeuralNetwork，ANN）人工神經網絡也被稱為神經網絡，是基于生物學中神經網絡的基本原理，以網絡拓撲知識為理論基礎，模擬人腦的神經系統(tǒng)對復雜信息的處理機制的一種數學模型。該模型具有并行分布的處理能力、高容錯性、智能化和自學習等特征，能夠進行復雜的邏輯操作和非線性關系實現的能力，在解決模擬電路故障診斷中的元件容差范圍，非線性方程和電路不確定性等問題具有良好的表現。1997年Spain等[58]最先用神經網絡完成模擬電路故障分類和故障字典的查詢，得到了較高診斷精度。Aminian[59-60]等將響應信號經小波變作為特征輸入神經網絡，降低了特征維度，然后用神經網絡進行分類取得了較好的效果，該方法取得了模擬電路中故障特征提取重要的研究突破。祝文姬等[61]結合小波變換和主元分析來提取模擬電路故障特征，將特征輸入到用遺傳算法優(yōu)化過的BP神經網絡進行故障診斷。何怡剛等[62]用小波包分解和主元分析來提取模擬電路故障特征，用粒子群優(yōu)化過的BP網絡作為分類器對故障特征進行診斷。王力等[63]采用免疫遺傳算法優(yōu)化梯度下降參數來避免傳統(tǒng)BP神經網絡的收斂速度慢和局部最優(yōu)等問題，并將其應用于模擬電路故障診斷中，獲得了較高的準確率。傳統(tǒng)的機器學習診斷方法在實際的模擬電路故障診斷中已經取得了較好的效果，但是診斷模型通常屬于淺層網絡結構模型，其非線性擬合能力較差，提取特征往往過渡依賴于專家經驗，隨著電子技術的發(fā)展，電路的規(guī)模和元件數量也越來越大，傳統(tǒng)機器學習方法將面臨特征提取問題、局部最小問題和梯度彌散等問題以及無法有效處理大數據等缺點。因此如何進一步智能、高效率地提取故障特征，優(yōu)化診斷網絡的泛化能力，以達到更加準確、高效的故障診斷效果，是現階段模擬電路故障診斷領域需要關注的重點和難點。1.3基于深度學習的模擬電路故障診斷方法深度學習作為一種新興的神經網絡在2006年被Hinton等[64]首次用來實現多隱層人工神經網絡（深度網絡）的訓練，在機器學習研究中引領出革命性的進步和發(fā)展。深度學習的本質是通過多個隱藏層構建的深度神經網絡產生多層非線性交換，學習大量的訓練數據，來獲取數據抽象特征和隱藏結構，這種方法利用強大的自動特征提取能力，能夠擬合各種復雜的映射關系，從而形成對輸入數據的智能分類和預測[65]。目前已經在計算機視覺、圖像處理、語音識別等領域中廣泛應用并取得一系列重大突破[66-68]。傳統(tǒng)的機器學習和模式識別只強調模型分類特性，深度網絡與它們不同，它不僅能夠實現目標識別與分類，還包含了對輸入數據的特征抽取，克服了淺層模型（如BP網絡、RBF、SVM等）需要人工提取特征的缺點，并且可利用逐層特征抽取形成越來越抽象、越能表現語義或者意圖的高層特征，具有比淺層模型更強的表示能力。在故障診斷領域中，深度學習引入強有力的深度網絡對數據中高階、抽象信息的深層挖掘，可以有效的提取特征來應用于故障分類，并且在軸承、變壓器、電機等方面取得了多項成功案例[69-71]。目前，深度學習方法在模擬電路故障診斷中尚處于新興的發(fā)展階段，已經有專家學者展開了多項研究工作并取得一定的成果。如圖1-3所示，常用的深度學習模擬電路故障診斷方法分為兩步：(1)模擬電路故障數據的獲取；(2)通過深度網絡提取模擬電路中故障特征和完成分類診斷。（1）深度置信網絡(DeepBeliefNetwork，DBN)深度置信網絡是由多層無監(jiān)督的受限玻爾茲曼機（RestrictedBoltzmannMachine，RBM）和一層有監(jiān)督的反向傳播網絡組成的一種深層神經網絡。模型的訓練將第一層的RBM輸入的數據作為下一層DBN的輸入，然后經過RBM將輸入數據轉換到隱藏層，最后通過反向傳播網絡對預訓練網絡進行從上到下的調優(yōu)。這種方法可以極大程度降低傳統(tǒng)機器學習中的局部最優(yōu)和梯度彌散等問題。Zhang[72]等利用量子粒子群算法優(yōu)化DBN的結構參數，利用DBN方法來提取模擬電路特征，根據提取的特征構建基于支持向量機的故障診斷模型，對模擬電路故障進行分類，該方法明顯優(yōu)于其他典型模擬電路故障診斷方法。Qiu等[73]對電路的原始輸出電壓信號進行多層小波包分解，然后以能量熵的形式構造特征向量，然后利用主成分分析進行特征選擇。將降維后的特征向量輸入到DBN網絡模型進行訓練，實現故障診斷。（2）堆疊自動編碼器（StackedAutoEncoder，SAE）自動編碼器（AE）作為一種無監(jiān)督學習的對稱網絡，通過調整映射函數的權值和偏置，使得隱含層的輸出值是輸入數據降維后的結果，并且使輸出數據與輸入數據盡量保持一致。多個AE進行堆疊形成SAE，堆疊多層自動編碼器的目的是為了逐層提取輸入數據的高階特征，在此過程中逐層降低輸入數據的維度，將一個復雜的輸入數據轉化成了一個系列簡單的高階的特征，然后再把這些高階特征輸入一個分類器中進行分類。Zhong等[74]用小波包變換分解電壓信號，對具有明顯間歇故障特征的重構信號進行特征提取，計算其峰度和沖擊因子等構成的特征向量，輸入到SAE中進行訓練和識別，該方法在識別模擬電路中不同類型的間歇故障有較高的診斷精度。袁莉芬等[75]用堆疊自動編碼器(SAE)和Softmax分類器相結合的網絡來實現一般電子電路故障模式的深層特征學習與提取，提升故障診斷方面的性能。用Dropout技術對SAE進行了優(yōu)化改進，提升了網絡泛化能力。（3）卷積神經網絡（ConvolutionalNeuralNetwork，CNN)卷積神經網絡是一種多層神經網絡，在訓練中CNN通過卷積來提取特征，并且通過卷積的權值共享及池化來降低網絡參數的數量級，最后通過全連接層或Softmax分類器完成分類任務。CNN在處理語音、圖像等較大數據量級上具有一定的優(yōu)勢。在模擬電路故障診斷上，Du等[76]將不同故障狀態(tài)下的輸出信號直接輸入CNN中，通過模型和參數的優(yōu)化，實現對模擬電路的故障特征提取和故障分類，簡化了故障診斷過程。王月海等[77]使用輸入點電壓波形作為原始數據，經過CNN進行特征提取后，輸入到SVM進行分類，實現模擬電路故障診斷。在上述深度學習應用于動車組的模擬電路故障診斷中，都是利用深層的網絡結構中的隱層學習來提取數據的特征，然后通過降維的方式來獲得更好的分類和預測效果。另外，由于我國的高鐵覆蓋范圍廣，運營時間長，動車組在運行中受到外力、環(huán)境、氣候、變工況等影響會使得采集數據和故障數據存在一定的分布差異，這會降低診斷結果的可信度降低，甚至使模型泛化能力降低而無法使用等結果。1.4遷移學習在模擬電路故障診斷中的應用遷移學習作為一種新的機器學習方法，可以解決這種外在因素導致特征差異的問題。遷移學習可以利用源域和目標域的特征相似性，將源域學習產生的模型經過參數調整，遷移到目標域的過程。遷移學習從本質上來講是基于數據、任務和模型的相似性，將一個領域中的知識遷移到另一個相似領域的方法。目前，遷移學習已經廣泛應用在故障診斷中來解決復雜環(huán)境下變工況、對目標的采集數據和故障特征提取不穩(wěn)定、標記數據量過少等問題。陳超等[78]提出一種增強型最小二乘支持向量機故障診斷模型，利用遞歸定量分析提取非線性特征并與傳統(tǒng)時域特征相結合以提高診斷精度，在原目標函數和約束條件中分別增加輔助集的懲罰函數和約束條件，最終得到加入輔助集的函數估計，能夠有效應對數據量不足時的軸承故障診斷問題。Lu等[79]提出一種深度遷移學習模型，用稀疏自編碼器提取特征，并用最大均值差異提高源域和目標域樣本的相似性，提高了分類的準確性。張根保等[80]用SAE進行軸承故障特征提取，用Softmax進行特征分類，引入高階KL散度用于遷移學習域自適應訓練過程，使該模型能學習源域和目標域的共同特征，較好的解決了小樣本數據下軸承故障診斷問題。Wen等[81]提出一種深度遷移學習，采用稀疏自動編碼器提取原始數據的特征，應用最大平均偏差項函數來最小化源域和目標域的自相關頻譜特征的差異，顯著提高了電機的故障診斷的精度和準確率。在模擬電路故障診斷方面，遷移學習相關文獻較少，Zhuang等[82]利用小波系數作為特征數據，在最小二乘支持向量機分類器的目標函數中增加源域輔助數據的誤差懲罰項，構建出新的診斷模型，在目標故障數據較少的條件下，將源域數據遷移至目標故障訓練集。該方法使單、雙故障診斷正確率分別達到97.2%和95.7%。在實際的模擬電路變工況的情況下，遷移學習有較大的研究空間和研究價值。綜上所述，隨著人工智能技術在故障診斷領域中快速的發(fā)展，以深度學習和遷移學習為主要方法的動車組模擬電路故障診斷技術可以提高診斷的精度和效率，符合當前智能運維時代的需求，是未來模擬故障診斷領域的重點發(fā)展方向。參考文獻ZhaoHW,LiangJY,LiuCQ.High-SpeedEMUs:CharacteristicsofTechnologicalDevelopmentandTrends[J].Engineering,2020,(6):234-244.中華人民共和國國務院新聞辦公室,《中國交通的可持續(xù)發(fā)展》白皮書，2020年12月.中華人民共和國國務院新聞辦公室,《“7.23”溫甬線特別重大鐵路交通事故調查報告》，2011年12月.F.Li,P.Y.Woo.FaultdetectionforlinearanalogICthemethodofshort-circuitadmittanceparameters[J].IEEETransactionsonCASI:FundamentalTheoryandApplications,2002,49(1):105-108.楊士元,胡梅,王紅.模擬電路軟故障診斷的研究[J].微電子學與計算機,2008,25(1):1-8.彭良玉,禹旺兵.基于小波分析和克隆選擇算法的模擬電路故障診斷[J].電工技術學報，2007,22(6):12-16.趙林海,蔡伯根,秋寬民,等.基于HYT、DBWT的無絕緣軌道電路補償電容故障診斷[J].鐵道學報,2011,33(3):49-54.趙林海,冉義奎,穆建成.基于遺傳算法的無絕緣軌道電路故障綜合診斷方法[J].中國鐵道科學,2010,31(3):107-114.ShanmugapriyaB,PunithavalliDM.ANewKernelizedFuzzyPossibilisticC-MeansforHighDimensionalDataClusteringbasedonKernel-InducedDistanceMeasure[C].ComputerCommunicationandInformatic(ICCCI),2013Internationalconferenceon.IEEE,2013:1-5.SaratChandraBabuN,PrasadVC,VenuMadhavaRaoSP,etal.Multi-frequencyapproachtofaultdictionaryoflinearanalogfaultdiagnosis[J].JournalofCircuits,Systems,andComputers,2008,17(05):905-928.BilskiP,WojciechowskiJM.AutomatedDiagnosticsofAnalogSystemsUsingFuzzyLogicApproach.[J].Instrumentation&MeasurementIEEETransactionson,2007,56(6):2175-2185.ZhangA,WangY,ZhangZ.Anovelonlineperformanceevaluationstrategytoanalogcircuit[J].Neurocomputing,2015,171(C):394-399.JorgeOM,CastroJLA,MacknikSL,etal.Unsupervisedclusteringmethodtodetectmicrosaccades[J].JournalofVision,2014,14(2):226-235.丁國君.動車組制動控制系統(tǒng)故障診斷方法研究[D].北京：北京交通大學，2013.張朝龍.模擬電路故障預測與健康管理的關鍵技術研究[D].合肥：合肥工業(yè)大學,2018.劉麗霞.基于小波理論與LSSVM的模擬集成電路故障診斷方法[D].西安：西安電子科技大學,2011.宋龍龍.基于非規(guī)范知識處理的高速列車綜合智能故障診斷方法研究[D].北京：北京交通大學,2016.ChenJ,RobertsC,WestonP.FaultdetectionanddiagnosisforrailwaytrackcircuitsusingNeuro-fuzzysystems[J].ControlEngineeringPractice,2008,8(1):740-748.PatelU.A,UpadhyayS.H.Theoreticalmodeltopredicttheeffectoflocalizeddefectondynamicbehaviorofcylindricalrollerbearingatinnerraceandouterrace[J].2014,228(K2):151-171.T.L.Morgado,C.M.Branco,V.Infante.Afailurestudyofhousingofthegearboxesofseries2600locomotivesofPortugueserailwaycompany[J].EngineeringFailureAnalysis,2008,15(1-2):154-156.HayashiY,TsunashimaH,MarumoY.Faultdetectionofrailwayvehiclesuspensionsystemsusingmultiple-modelapproach[J].JoumalofMechanicalSystemsforTransportationandLogistics,2008,1(1):88-99.TsunashimaH,MoriH.Conditionmonitoringofrailwayvehiclesuspensionusingadaptivemultiplemodelapproach[C].ControlAutomationandSys