清华团队综述高速列车牵引系统故障诊断的机器学习方法

快速阅读: 清华大学与智博鲁奇尼铁路设备有限公司研究团队发表综述，探讨机器学习在高速列车牵引系统故障诊断中的应用，涵盖传统数据驱动与深度学习方法，指出非稳态条件、数据质量及模型解释性等挑战，提出未来研究方向。

在高速列车（HST）运营领域，确保安全性和可靠性至关重要，而牵引系统——被誉为HST的“心脏”——起着核心作用。长期运行过程中，牵引系统的主部件（如受电弓、牵引变压器、牵引变流器和牵引电机）不可避免地会出现性能下降和故障，威胁列车安全。因此，对牵引系统进行有效的故障监测和诊断十分必要。尽管机器学习在模式识别方面表现出色，并已被广泛应用于牵引系统的故障诊断，但在这一领域的研究发展、应用、挑战及未来趋势的综合系统回顾仍显不足。

为此，来自清华大学工业工程系和智博鲁奇尼铁路设备有限公司的研究团队开展了题为《高速列车牵引系统故障诊断中的机器学习：综述》的研究。该研究首先简要介绍了HST牵引系统的结构和功能，重点讨论了主部件（受电弓、牵引变压器、牵引变流器、牵引电机）及其常见故障。接着，系统回顾了机器学习在牵引系统故障诊断中的研究与应用，将方法分为传统数据驱动方法和基于深度学习的方法。传统数据驱动方法依赖专家经验进行特征提取（例如使用希尔伯特变换、小波包能量分析），并采用支持向量机（SVM）和人工神经网络（ANN）等分类器进行故障分类。深度学习方法利用GPU并行计算的优势，通过卷积神经网络（CNN）、长短期记忆网络（LSTM）和自编码器等模型实现端到端的故障诊断，无需繁琐的手动特征工程。此外，研究还详细介绍了牵引系统各主部件的故障诊断技术，并通过表格总结了相关研究。最后，研究指出了实际运行条件下准确故障诊断面临的挑战，包括非稳态条件下的诊断（复杂信号成分、动态特征分布变化）、不完美数据集下的诊断（标签有限、数据不平衡、标签错误）以及诊断模型的解释性不足。针对这些挑战，提出了相应的未来研究方向，如探索非稳态场景下的迁移学习、开发不完美数据集下的半监督/自监督学习以及提高模型的解释性。

论文《高速列车牵引系统故障诊断中的机器学习：综述》由王欢、李彦夫和任建良撰写。论文全文链接：

https://doi.org/10.1007/s42524-023-0256-2

(以上内容均由Ai生成)