《动车组故障诊断技术发展研究的文献综述》7500字

动车组故障诊断技术发展研究的国内外文献综述目录TOC\o"1-2"\h\u283011.1动车组故障诊断的相关技术和挑战 12341.2基于传统机器学习的模拟电路故障诊断方法 332281（1）决策树（DecisionTree，DT） 313804（2）贝叶斯网络（BayesianNetwork，BN） 323488（3）支持向量机（SupportVectorMachine，SVM） 312293（4）人工神经网络（ArtificialNeuralNetwork，ANN） 463721.3基于深度学习的模拟电路故障诊断方法 518543（1）深度置信网络(DeepBeliefNetwork，DBN) 5270761.4迁移学习在模拟电路故障诊断中的应用 627285参考文献 71.1动车组故障诊断的相关技术和挑战高速铁路动车组的运营涉及电气、机械、计算机科学、自动化及物理方面的复杂技术，在动车组的设备维修、维护、健康监测与管理和故障诊断等方面有很高的要求，故障诊断是动车组运维过程中一个非常重要的环节。20世纪60年代，日本最先开始对动车组的故障诊断进行研究，主要研究对象是动车的关键部件如轴承和轮对等。从90年代开始，日本成立动车组相关研究分会，以辅助电机、牵引电机、变压器、通风机、齿轮箱、轴承等为研究对象进一步拓宽了动车组故障诊断的范围。加拿大Ultra-Tech公司釆用收集振动加速度信号，对动车组转向架蛇形失稳故障进行诊断研究。法国Banbadi公司对转向架蛇行失稳的研究工作，也取得了一定的成果。瑞典SKF公司对铁路机车车辆新型轴承开展了研发和制造工作，同时也对机车轴承的运行状态开展故障诊断工作。到90年代中期，随着计算机和人工智能的发展，对于动车组故障的诊断由传统的人工化向智能化方向发展，基于信号处理的传统故障诊断方法逐渐被以故障模式的自动识别和分类为特征的智能故障诊断方法所取代，智能故障的模式识别和分类技术主要以相似性准则、神经网络、遗传算法、深度学习等机器学习理论为基础，在动车组故障诊断领域取得了丰富的成果。Roberts等通过将模糊逻辑与神经网络结合对铁路系统故障进行智能诊断[18]；Patel等基于赫兹接触理论建立了列车轴承的内外圈断裂故障模型，由滚子和滑道接触特征建立非线性方程组来模拟故障行为[19]。Morgado等通过采用PCA分析列车齿轮箱外壳的振动和疲劳状况，将故障情况建模，研究了齿轮箱相关故障机理[20]。日本国立大学研究生院[21-22]使用交互式多模卡尔曼滤波器对车辆横向悬挂系统故障进行诊断。然后用仿真数据作为观测量估算出悬挂系统的故障概率模型和参数，得到了较好的效果。Silva等通过测量三相定子电流包络曲线，结合混合高斯模型和贝叶斯极大似然分类器实现了动车牵引电机定子绕组匝间短路故障和转子断条故障的判断[23]。Lebaroud等利用最优化时频分布提取感应电机的故障特征，然后用隐马尔科夫模型结合ANN算法来判断故障类型[24]。Sadeghian等利用小波包分解来提取定子电流中的故障特征，并利用ANN模型进行故障分类[25]。国内以铁道科学研究院、北京交通大学、西南交通大学等一批与铁路相关的高校和科研单位为代表，在对于高速铁路及动车组的故障诊断技术上都进行了大量的研究。胡晓依等利用奇异值分解对振动信号降噪，再利用短时傅里叶变换对降噪后的振动信号解调，提高了对动车轴承故障的诊断率[26]。赵阳等用融合K2算法和MCMC算法来优化贝叶斯网络对动车组车载信号系统进行故障诊断，取得了较好的效果[27]。于萍等利用集合经验模态分解降噪来提取动车走行部件的故障特征，然后用流形学习优化支持向量机对故障进行分类，区分动车走行部件几种常见故障类型的特征参数[28]。戴晨曦等提出了基于模型和模糊Petri网来定位高铁动车组牵引变压器故障的方法，该方法采用离线搜索最小冲突候选集和在线识别最小冲突集实现外部故障诊断，运用基于模型诊断方法定位故障元件，利用模糊Petri网区域知识诊断内部故障[29]。韩烨等利用梯度直方图结合小波变换提取故障特征，利用支持向量机进行分类来检测动车组接触网支撑与悬挂装置的故障，具有较高的使用价值[30]。孟苓辉利用基于规则的改进自组织映射神经网络对动车组的牵引变流器进行故障诊断，与传统的BP神经网络诊断方法相比具有一定的优势[31]。鲁进军等利用主元分析提取故障特征，Petri网进行故障分类有效的解决动车组速度传感器的故障诊断问题[32]。从上述研究和近些年的国内外相关文献可知，对于动车组连接各个系统的基本单元车载电路部分的故障诊断，相关的研究较少。动车组的车载模拟电路关系着动车的正常运转，对故障诊断的精度有着严格的要求。电路本身又具有抗干扰性弱，元器件存在参数连续、容差性、非线性等特点，使得在对车载模拟电路进行智能故障诊断的理论和技术还面临着较多的问题和挑战：动车组模拟电路以大规模集成电路为主，测试节点较少，建立故障模型比较困难，在故障的特征提取上需要融入人工智能技术来解决容差和非线性问题；同时由于电路规模大，数据量较大，对算法的收敛性和复杂度要求较高，对测试样本的训练时间也有较高的要求；由于车载电路的运行环境较为复杂，考虑引入迁移学习方法来解决变工况下的模拟电路故障诊断的模型泛化能力差等问题。1.2基于传统机器学习的模拟电路故障诊断方法20世纪60年代，R.SBerkowitz首先提出了在电路元件间建立导纳函数来解析元件参数值，正式开启了模拟电路故障诊断的时代[33]。1979年，Navid和Willson提出利用电路元件阻抗与拓扑关系确定电路元件参数值的有效范围，进一步完善了模拟电路故障诊断的理论基础[34]。80年代中期，模拟电路故障诊断正式成为继网路分析和网络综合之后的网络理论第三大分支[35]。在这一时期，故障字典法[36-38]、故障验证法[39-42]和参数识别法[43-45]作为传统的模拟电路故障诊断方法得到了广泛的应用。但是这些方法存在着计算量过大、诊断效率低，故障类型有限等不足。进入90年代后，随着人工智能技术的发展，基于机器学习的模拟电路故障诊断方法得到广泛的研究。在这一时期，传统机器学习方法获得了快速发展和良好的效果，如图1-2所示，该方法将模拟电路的故障诊断分为三步：(1)模拟电路故障数据的获取；(2)提取模拟电路中不同类别故障的特征；(3)根据提取的特征进行故障分类完成诊断。这也是目前模拟电路故障诊断的常用方法。传统的机器学习方法有决策树、贝叶斯网络、支持向量机和人工神经网络等。决策树（DecisionTree，DT）决策树是机器学习领域里一种最常见的分类方法。以信息熵、增益率和基尼系数等指标作为依据依次对系统影响的主要因素加以判别，最终按影响因素的重要性进行分类。刘喜梅等[46]通过引入主元分析衡量不同故障的特征值，然后构建决策树分类器进行模拟电路的故障诊断，提高了速度和精度。宋国明等[47]采用小波变换提取电路的故障特征，然后以决策树结构建立分级诊断的故障决策系统，有效的提高了故障的识别率。朱文博等[48]提出一种C4.5组合决策树方法，用粗糙集属性约简选择诊断子网特征属性，再用C4.5融合子网提取故障规则，提高了故障诊断准确率。贝叶斯网络（BayesianNetwork，BN）贝叶斯网络是描述随机变量之间依赖关系的一种概率图模型，具有多功能性，有效性和开放性等特性，是用来推理不确定问题的有效工具[49]。罗志勇等[50]利用小波变换提取故障特征量，将贝叶斯网络应用于最小二乘支持向量机的优化参数来确定模拟电路故障诊断的模型。赵进晓等[51]将模拟电路元件状态模型转化为贝叶斯网络，利用团树算法得出元件故障的精确概率值。孙健等[52]用随机投影算法提取模拟电路的故障特征，输入到贝叶斯网络中进行故障分类，取得较好的效果。支持向量机（SupportVectorMachine，SVM）支持向量机是建立在统计学和结构风险最小化理论基础上的一种经典分类算法，核心思想是将输入空间中的样本点映射到一个高维空间，然后通过一系列核函数和参数因子的选择得到最优的分类。在处理小样本、非线性和高维模式识别问题上SVM具有非常好的性能。唐静远等[53]利用小波变换提取被测电路信号的低频系数形成特征集，然后输入到SVM中进行故障诊断。陈世杰等[54]用小波分解提取电路信号能量分布特征，再用遗传算法优化支持向量机多分类决策树方法进行故障诊断，具有较好的误差控制能力。Tang等[55]利用混合粒子群优化支持向量机的特征子空间和核函数，在模拟电路故障诊断上明显提高了性能和准确率。Chen等[56]利用主元分析提取模拟电路故障特征，输入到经遗传算法优化过核函数的SVM中进行故障诊断。张朝龙等[57]利用量子粒子群算法来优化广义多核支持向量机的参数，对小波变换提取的模拟电路故障特征进行分类，获得了较高的故障诊断率。人工神经网络（ArtificialNeuralNetwork，ANN）人工神经网络也被称为神经网络，是基于生物学中神经网络的基本原理，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。该模型具有并行分布的处理能力、高容错性、智能化和自学习等特征，能够进行复杂的逻辑操作和非线性关系实现的能力，在解决模拟电路故障诊断中的元件容差范围，非线性方程和电路不确定性等问题具有良好的表现。1997年Spain等[58]最先用神经网络完成模拟电路故障分类和故障字典的查询，得到了较高诊断精度。Aminian[59-60]等将响应信号经小波变作为特征输入神经网络，降低了特征维度，然后用神经网络进行分类取得了较好的效果，该方法取得了模拟电路中故障特征提取重要的研究突破。祝文姬等[61]结合小波变换和主元分析来提取模拟电路故障特征，将特征输入到用遗传算法优化过的BP神经网络进行故障诊断。何怡刚等[62]用小波包分解和主元分析来提取模拟电路故障特征，用粒子群优化过的BP网络作为分类器对故障特征进行诊断。王力等[63]采用免疫遗传算法优化梯度下降参数来避免传统BP神经网络的收敛速度慢和局部最优等问题，并将其应用于模拟电路故障诊断中，获得了较高的准确率。传统的机器学习诊断方法在实际的模拟电路故障诊断中已经取得了较好的效果，但是诊断模型通常属于浅层网络结构模型，其非线性拟合能力较差，提取特征往往过渡依赖于专家经验，随着电子技术的发展，电路的规模和元件数量也越来越大，传统机器学习方法将面临特征提取问题、局部最小问题和梯度弥散等问题以及无法有效处理大数据等缺点。因此如何进一步智能、高效率地提取故障特征，优化诊断网络的泛化能力，以达到更加准确、高效的故障诊断效果，是现阶段模拟电路故障诊断领域需要关注的重点和难点。1.3基于深度学习的模拟电路故障诊断方法深度学习作为一种新兴的神经网络在2006年被Hinton等[64]首次用来实现多隐层人工神经网络（深度网络）的训练，在机器学习研究中引领出革命性的进步和发展。深度学习的本质是通过多个隐藏层构建的深度神经网络产生多层非线性交换，学习大量的训练数据，来获取数据抽象特征和隐藏结构，这种方法利用强大的自动特征提取能力，能够拟合各种复杂的映射关系，从而形成对输入数据的智能分类和预测[65]。目前已经在计算机视觉、图像处理、语音识别等领域中广泛应用并取得一系列重大突破[66-68]。传统的机器学习和模式识别只强调模型分类特性，深度网络与它们不同，它不仅能够实现目标识别与分类，还包含了对输入数据的特征抽取，克服了浅层模型（如BP网络、RBF、SVM等）需要人工提取特征的缺点，并且可利用逐层特征抽取形成越来越抽象、越能表现语义或者意图的高层特征，具有比浅层模型更强的表示能力。在故障诊断领域中，深度学习引入强有力的深度网络对数据中高阶、抽象信息的深层挖掘，可以有效的提取特征来应用于故障分类，并且在轴承、变压器、电机等方面取得了多项成功案例[69-71]。目前，深度学习方法在模拟电路故障诊断中尚处于新兴的发展阶段，已经有专家学者展开了多项研究工作并取得一定的成果。如图1-3所示，常用的深度学习模拟电路故障诊断方法分为两步：(1)模拟电路故障数据的获取；(2)通过深度网络提取模拟电路中故障特征和完成分类诊断。（1）深度置信网络(DeepBeliefNetwork，DBN)深度置信网络是由多层无监督的受限玻尔兹曼机（RestrictedBoltzmannMachine，RBM）和一层有监督的反向传播网络组成的一种深层神经网络。模型的训练将第一层的RBM输入的数据作为下一层DBN的输入，然后经过RBM将输入数据转换到隐藏层，最后通过反向传播网络对预训练网络进行从上到下的调优。这种方法可以极大程度降低传统机器学习中的局部最优和梯度弥散等问题。Zhang[72]等利用量子粒子群算法优化DBN的结构参数，利用DBN方法来提取模拟电路特征，根据提取的特征构建基于支持向量机的故障诊断模型，对模拟电路故障进行分类，该方法明显优于其他典型模拟电路故障诊断方法。Qiu等[73]对电路的原始输出电压信号进行多层小波包分解，然后以能量熵的形式构造特征向量，然后利用主成分分析进行特征选择。将降维后的特征向量输入到DBN网络模型进行训练，实现故障诊断。（2）堆叠自动编码器（StackedAutoEncoder，SAE）自动编码器（AE）作为一种无监督学习的对称网络，通过调整映射函数的权值和偏置，使得隐含层的输出值是输入数据降维后的结果，并且使输出数据与输入数据尽量保持一致。多个AE进行堆叠形成SAE，堆叠多层自动编码器的目的是为了逐层提取输入数据的高阶特征，在此过程中逐层降低输入数据的维度，将一个复杂的输入数据转化成了一个系列简单的高阶的特征，然后再把这些高阶特征输入一个分类器中进行分类。Zhong等[74]用小波包变换分解电压信号，对具有明显间歇故障特征的重构信号进行特征提取，计算其峰度和冲击因子等构成的特征向量，输入到SAE中进行训练和识别，该方法在识别模拟电路中不同类型的间歇故障有较高的诊断精度。袁莉芬等[75]用堆叠自动编码器(SAE)和Softmax分类器相结合的网络来实现一般电子电路故障模式的深层特征学习与提取，提升故障诊断方面的性能。用Dropout技术对SAE进行了优化改进，提升了网络泛化能力。（3）卷积神经网络（ConvolutionalNeuralNetwork，CNN)卷积神经网络是一种多层神经网络，在训练中CNN通过卷积来提取特征，并且通过卷积的权值共享及池化来降低网络参数的数量级，最后通过全连接层或Softmax分类器完成分类任务。CNN在处理语音、图像等较大数据量级上具有一定的优势。在模拟电路故障诊断上，Du等[76]将不同故障状态下的输出信号直接输入CNN中，通过模型和参数的优化，实现对模拟电路的故障特征提取和故障分类，简化了故障诊断过程。王月海等[77]使用输入点电压波形作为原始数据，经过CNN进行特征提取后，输入到SVM进行分类，实现模拟电路故障诊断。在上述深度学习应用于动车组的模拟电路故障诊断中，都是利用深层的网络结构中的隐层学习来提取数据的特征，然后通过降维的方式来获得更好的分类和预测效果。另外，由于我国的高铁覆盖范围广，运营时间长，动车组在运行中受到外力、环境、气候、变工况等影响会使得采集数据和故障数据存在一定的分布差异，这会降低诊断结果的可信度降低，甚至使模型泛化能力降低而无法使用等结果。1.4迁移学习在模拟电路故障诊断中的应用迁移学习作为一种新的机器学习方法，可以解决这种外在因素导致特征差异的问题。迁移学习可以利用源域和目标域的特征相似性，将源域学习产生的模型经过参数调整，迁移到目标域的过程。迁移学习从本质上来讲是基于数据、任务和模型的相似性，将一个领域中的知识迁移到另一个相似领域的方法。目前，迁移学习已经广泛应用在故障诊断中来解决复杂环境下变工况、对目标的采集数据和故障特征提取不稳定、标记数据量过少等问题。陈超等[78]提出一种增强型最小二乘支持向量机故障诊断模型，利用递归定量分析提取非线性特征并与传统时域特征相结合以提高诊断精度，在原目标函数和约束条件中分别增加辅助集的惩罚函数和约束条件，最终得到加入辅助集的函数估计，能够有效应对数据量不足时的轴承故障诊断问题。Lu等[79]提出一种深度迁移学习模型，用稀疏自编码器提取特征，并用最大均值差异提高源域和目标域样本的相似性，提高了分类的准确性。张根保等[80]用SAE进行轴承故障特征提取，用Softmax进行特征分类，引入高阶KL散度用于迁移学习域自适应训练过程，使该模型能学习源域和目标域的共同特征，较好的解决了小样本数据下轴承故障诊断问题。Wen等[81]提出一种深度迁移学习，采用稀疏自动编码器提取原始数据的特征，应用最大平均偏差项函数来最小化源域和目标域的自相关频谱特征的差异，显著提高了电机的故障诊断的精度和准确率。在模拟电路故障诊断方面，迁移学习相关文献较少，Zhuang等[82]利用小波系数作为特征数据，在最小二乘支持向量机分类器的目标函数中增加源域辅助数据的误差惩罚项，构建出新的诊断模型，在目标故障数据较少的条件下，将源域数据迁移至目标故障训练集。该方法使单、双故障诊断正确率分别达到97.2%和95.7%。在实际的模拟电路变工况的情况下，迁移学习有较大的研究空间和研究价值。综上所述，随着人工智能技术在故障诊断领域中快速的发展，以深度学习和迁移学习为主要方法的动车组模拟电路故障诊断技术可以提高诊断的精度和效率，符合当前智能运维时代的需求，是未来模拟故障诊断领域的重点发展方向。参考文献ZhaoHW,LiangJY,LiuCQ.High-SpeedEMUs:CharacteristicsofTechnologicalDevelopmentandTrends[J].Engineering,2020,(6):234-244.中华人民共和国国务院新闻办公室,《中国交通的可持续发展》白皮书，2020年12月.中华人民共和国国务院新闻办公室,《“7.23”温甬线特别重大铁路交通事故调查报告》，2011年12月.F.Li,P.Y.Woo.FaultdetectionforlinearanalogICthemethodofshort-circuitadmittanceparameters[J].IEEETransactionsonCASI:FundamentalTheoryandApplications,2002,49(1):105-108.杨士元,胡梅,王红.模拟电路软故障诊断的研究[J].微电子学与计算机,2008,25(1):1-8.彭良玉,禹旺兵.基于小波分析和克隆选择算法的模拟电路故障诊断[J].电工技术学报，2007,22(6):12-16.赵林海,蔡伯根,秋宽民,等.基于HYT、DBWT的无绝缘轨道电路补偿电容故障诊断[J].铁道学报,2011,33(3):49-54.赵林海,冉义奎,穆建成.基于遗传算法的无绝缘轨道电路故障综合诊断方法[J].中国铁道科学,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.丁国君.动车组制动控制系统故障诊断方法研究[D].北京：北京交通大学，2013.张朝龙.模拟电路故障预测与健康管理的关键技术研究[D].合肥：合肥工业大学,2018.刘丽霞.基于小波理论与LSSVM的模拟集成电路故障诊断方法[D].西安：西安电子科技大学,2011.宋龙龙.基于非规范知识处理的高速列车综合智能故障诊断方法研究[D].北京：北京交通大学,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