摘要
随着我国城市轨道交通的快速发展，不断增长的客流量发展水平与车辆投运率水平之间的矛盾日益突出，而车辆投运率水平很大程度上依赖车辆运用维修服务水平的持续提升。在保障车辆运营可靠性和维修质量的前提下，进行城市轨道交通车辆智能诊断系统研究，对提升城市轨道交通车辆运用维修服务水平具有重要意义。
本文针对当前城市轨道交通车辆检维修模式特点及其在实际检修作业过程中故障诊断技术的实际需求，重点从车辆智能诊断需求分析、系统构成、工作流程和技术框架等方面初步构建了城市轨道交通车辆智能诊断系统。
该系统以受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）作为深度神经网络模型基本结构，车辆设备故障特征向量为输入向量，运用维修决策向量为输出向量，搭建基于深度信念网络（Deep Believe Network，DBN）的城市轨道交通车辆智能诊断模型，采用对比发散算法训练该诊断模型，为城市轨道交通车辆提供健康评估及故障预警。
本文以某地铁公司车辆轮对尺寸数据为例，对城市轨道交通车辆智能诊断模型进行了训练与验证。验证结果表明，模型诊断准确率高，诊断时间短，满足故障诊断准确率及时效性要求。本文建立的基于深度学习的城市轨道交通车辆智能诊断系统对于城市轨道交通车辆智能运用维修具有一定的研究与应用价值。
关键词：城市轨道交通车辆，深度学习，智能诊断，受限玻尔兹曼机，深度信
念网络
I
Abstract 硕士学位论文
Abstract
With the rapid development of urban rail transit in China, the contradiction between the increasing level of ridership development and the level of vehicle operation rate has become increasingly prominent. The level of vehicle operation rate largely depends on the level of improvement of vehicle operation and maintenance service. On the premise of the reliability of vehicle operation and maintenance, the research focuses on Intelligent Diagnosis System of urban rail transit vehicles, and it is of great significance to improve the level of urban rail transit vehicles service.
Aiming at the characteristics of the current maintenance mode of urban rail transit vehicles, and the actual needs of fault diagnosis technology in the actual maintenance process, this research primarily constructs an Intelligent Diagnosis System for urban rail transit vehicles. Take importance into the aspects of vehicle intelligent diagnosis needs analysis, system composition, work flow and technical framework.
The system takes Restricted Boltzmann Machine (RBM) as the basic structure of the deep neural network model, the fault feature vector of vehicle equipment as input vector, and the maintenance decision vector as output vector. The intelligent diagnosis model of urban rail transit vehicles is built based on Deep Belief Network（DBN）. Contrast divergence algorithm is used to train the intelligent diagnosis model. Then, health assessment and fault warning for urban rail transit vehicles are provided.
Taking the wheelset as an example, the intelligent diagnosis model of urban rail transit vehicles is trained and validated by its size data. The validation results show that the model has high diagnostic accuracy and short diagnostic time, which meets the requirements of accuracy and timeliness. The intelligent diagnosis system of urban rail transit vehicles in this research has value for application in the intelligent operation and maintenance of urban rail transit vehicles.
Key word: urban rail transit vehicles, deep learning, intelligent diagnosis, Restricted
Boltzmann Machine, Deep Belief Network
II
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
目录
摘 要 ...................................................... I Abstract .................................................... II 1 绪 论 ...................................................... 1
1.1 研究背景及意义 .................................................... 1
1.1.1 我国城市轨道交通发展概况 .................................... 1 1.1.2 城市轨道交通运量与运力矛盾突出 .............................. 2 1.1.3 城市轨道交通车辆运用维修情况概述 ............................ 3 1.1.4 研究意义 .................................................... 4 1.2 国内外相关研究概况 ................................................ 5
1.2.1 设备故障诊断技术研究现状 .................................... 5 1.2.2 城市轨道交通车辆设备故障诊断研究现状 ........................ 6 1.2.3 深度学习的发展及其在故障诊断中的研究现状 .................... 8 1.3 研究主要内容 ...................................................... 9 1.4 研究技术路线 ..................................................... 10 1.5 本章小结 ......................................................... 12
2 城市轨道交通车辆智能诊断系统设计 .......................... 13
2.1 城市轨道交通车辆智能诊断系统概念及必要性分析 ..................... 13
2.1.1 车辆智能诊断系统概念 ....................................... 13 2.1.2 车辆智能诊断系统必要性分析 ................................. 13 2.2 城市轨道交通车辆智能诊断系统需求分析 ............................. 14
2.2.1 车辆维修作业概述 ........................................... 14 2.2.2 车辆故障诊断现状分析 ....................................... 16 2.2.3 车辆维修价值分析 ........................................... 18 2.2.4 智能诊断系统需求 ........................................... 19 2.3 系统设计工作流程 ................................................. 19 2.4 系统技术框架 ..................................................... 21 2.5 系统关键技术分析 ................................................. 22 2.6 系统拓展应用 ..................................................... 22 2.7 本章小结 ......................................................... 25
3 城市轨道交通车辆深度诊断网络 .............................. 27
3.1 设备特征向量提取 ................................................. 27
3.1.1 车辆设备故障描述 ........................................... 27 3.1.2 特征向量及决策向量 ......................................... 31 3.2 深度学习与深度信念网络 ........................................... 33
3.2.1 神经元模型 ................................................. 33 3.2.2 受限玻尔兹曼机模型 ......................................... 34 3.2.3 受限玻尔兹曼机训练算法 ..................................... 37
III
目录 硕士学位论文
3.2.4 深度信念网络构建 ........................................... 40
3.3 基于DBN的车辆深度诊断网络模型 ................................... 41
3.3.1 故障诊断网络结构设计 ....................................... 42 3.3.2 深度诊断网络模型训练过程 ................................... 43 3.4 本章小结 ......................................................... 45
4 模型验证及应用 ............................................ 47
4.1 实例数据分析 ..................................................... 47 4.2 深度诊断网络模型训练测试 ......................................... 51
4.2.1 模型训练测试 ............................................... 51 4.2.2 模型评价改善 ............................................... 51 4.3 其他常用故障诊断模型对比 ......................................... 54
4.3.1 基于KNN和ANN-BP的故障诊断模型对比 ........................ 54 4.3.2 模型训练及验证结果对比分析 ................................. 54 4.4 深度诊断网络模型的应用 ........................................... 55
4.4.1 轮对运用维修指导 ........................................... 55 4.4.2 模型综合应用 ............................................... 57 4.5 本章小结 ......................................................... 58
5 总结与展望 ................................................ 59
5.1 研究主要工作及成果 ............................................... 59 5.2 研究创新点 ....................................................... 59 5.3 研究展望 ......................................................... 60
致谢 ........................................................ 61 参考文献 .................................................... 63 附录 ........................................................ 68
IV
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
1 绪论
1.1 研究背景及意义
1.1.1 我国城市轨道交通发展概况
在我国大城市机动化和城市化建设进程中，城市轨道交通在城市公共交通系统中扮演着极其重要的角色。随着城市轨道交通网络化进程日益加剧，不断增长的城市轨道交通客流运输压力势必会对轨道交通客运服务水平提出越来越高的要求。
如图1.1所示，近三年来，我国大陆地区城市轨道交通开通城市逐年增加，投入运营线路及运营里程均呈现急速增长趋势。其中2017年运营线路新增达32条，运营线路长度新增达880公里，我国城市轨道交通建设及运营水平又迈上一个大台阶，增长速度前所未有[1][2]。在我国城市轨道交通建设运营线路大增长的同时，2017年全年累计完成客运量184.8亿人次，呈网络化运营的城市已增至26个，占已开通运营城市的四分之三。城市轨道交通发展正逐渐呈现网络化、差异化的发展趋势，城市轨道交通制式结构也日渐多元化，网络化运营已逐步实现。
城市（个）60504030201020020152016年份2017011636.183026运营线路总里程（百公里）线路（条）16550.3313341.52834100806040180160140运营线路条数120 图1.1 2015-2017年度我国内地城市轨道交通发展情况
Fig.1.1 Development of urban rail transit in mainland China in 2015-2017
由于目前我国城市轨道交通线网拓展十分迅速，新的轨道线路不断开通，各城市车辆调度密度因此逐渐增加，导致城市轨道交通车辆维修间隔越来越短。因此，在网
1
1 绪论 硕士学位论文
络化运营环境下，城市轨道交通车辆高效率运用的能力保障问题是我国城市轨道交通车辆技术发展的重要挑战。
1.1.2 城市轨道交通运量与运力矛盾突出
随着我国城市化进程不断加快，大量人口涌入城市，致使城市轨道交通客流需求急速增长，相较之下，城市轨道交通建设带来的城市轨道交通运力增长仍无法满足急速增长的客流需求，城市轨道交通运量与运力矛盾突出。
如表1.1所示[1]，以北京市为例，2017年北京地铁累计完成客运量37.8亿人次，日均客运量达1035万人次，是国内唯一城市轨道交通日均客流量超千万的城市，累计完成客运周转量330.3亿人公里，日均客运周转量达9047.82万人公里/日，客运强度达到1.84万人次/公里*日，多项指标处于全国首位。
表1.1 2017年部分城市轨道交通运营客运情况统计表
Table 1.1 Statistical Table of Passenger Transport in Some Urban Rail Transit Operations in 2017 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 城市 北京 上海 天津 重庆 广州 深圳 武汉 南京 沈阳 大连 成都 西安 郑州 昆明 杭州 长沙 南昌 青岛 福州 石家庄 客运总量（万人次） 377790.6 353769.0 35155.0 74309.5 280561.2 144621.8 92683.2 97741.4 31910.9 15719.8 78212.3 60534.0 25229.7 12483.1 33985.9 23346.8 10976.2 6573.2 4930.9 4036.3 日均客运量（万人次/日） 1035.0 969.2 96.3 203.6 768.7 396.2 253.9 267.8 87.4 43.1 214.3 165.8 69.1 34.2 93.1 64.0 30.1 18.0 13.5 21.4 客运周转量（万人公里） 3302453.9 3198558.3 455623.1 706344.9 2061600.5 1283731.2 477264.8 778276.6 243930.4 171042.2 635750.2 467030.0 / 144217.3 303691.7 165601.8 81271.4 58983.4 34206.7 23038.0 客运强度（万人/公里日） 1.84 1.45 0.55 0.77 1.93 1.43 1.08 0.77 0.71 0.27 1.22 1.86 0.74 0.39 0.90 0.95 0.62 0.40 0.55 0.75 线路最高日客运量（万人次） 190.0 184.7 37.1 108.4 244.2 130.7 118.5 113.0 60.3 26.0 87.7 107.3 67.1 45.4 89.3 62.8 55.1 25.3 20.0 23.5 注：1.数据来源：《城市轨道交通2017年度统计和分析报告》；
2.“/”表明暂无数据。
2
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
如此大的客流需求对城市轨道交通车辆上线数量及城市轨道交通运营服务水平提出了非常高的要求。当前我国正处于城市轨道交通大建设时期，大部分城市轨道交通仍处于客流培育阶段，城市轨道交通车辆数量尚可满足客运量需求。然而可以预见，随着我国城镇一体化向纵深发展，未来我国各城市轨道交通客流量增长速度势必会超过车辆投运率的增长水平，这无疑会对现有车辆维修保障策略发起挑战。如何保证在现有车辆总量不增加的情况下，不断缩短发车间隔，保证车辆正点率，进一步增加车辆上线数量，提高车辆利用率成为各城市轨道交通运营企业极力追求的服务目标[3]。 1.1.3 城市轨道交通车辆运用维修情况概述
城市轨道交通车辆的运用、维修工作是城市轨道交通企业运营服务的重要组成部分。对车辆建立适应城市轨道交通网络化运营条件下的运用和维修管理体制，实现城市轨道交通车辆设备资源及人力资源的统一管理、综合利用，是提高车辆运行及检维修工作效率、运行质量、经济效益和社会效益的有效途径，已成为城市轨道交通车辆的运用和维修工作的目标。
运输计划用车计划列车检修计划列车运用调度列车检修列车出库列车检验列车交接良好列车正线运营良好列车严重故障列车入库待修日检待修临修列检修竣
图1.2 城市轨道交通车辆的运用和维修工作流程
Fig. 1.2 Operation and Maintenance Workflow of Urban Rail Transit Vehicles
3
1 绪论 硕士学位论文
城市轨道交通车辆的运用和维修工作流程如图1.2所示，图中虚线框中程序属于车辆检维修部门的工作范围，双点划线框中程序属于车辆运用部门的工作范围。
城市轨道交通车辆关键部件运行状态的实时诊断及相应的车辆运维策略直接关系到城市轨道交通运营企业的服务水平、乘客的生命财产安全及城市交通运转等重要指标，其社会效益巨大，影响范围甚广。随着我国城市轨道交通规模急速扩张，各城市轨道交通运营服务企业采购的车辆数量不断扩大，车辆的控制监测系统数据量也随之越来越大，使车辆运用及维修相关人员难以对车辆各关键部件运行状态做出迅速而准确地判断，因此，对城市轨道交通车辆智能故障诊断系统进行研究是非常必要的。
由于城市轨道交通车辆在运行过程中影响因素众多，出现的故障通常具有一定的随机性，因此车辆检维修工作人员往往无法预先或直接检测到故障。故障发生后，一般要根据检维修人员的个人经验和对监测数据的分析来查找故障发生的原因及部位，有一定的主观性和局限性。而对于车辆检维修人员无法在故障现场确定的及某些需事后判断的故障一般都需要车辆下线回库检测，这样就不可避免地造成城市轨道交通运力不足，运营服务水平下降，极易发生车站拥堵甚至城市交通局部瘫痪的危险。对于那些征兆不明显、车辆检维修工作人员无法靠经验和仪表检测查找，而又可能会引起重大事故的故障，带来的运营风险更是巨大。
此外，城市轨道交通在我国尚处于发展时期，我国目前已开通运营城市轨道交通的34个城市里，大部分还不足五年，城市轨道交通车辆检维修人才缺口很大，导致各城市轨道交通运营企业间人才流动很大，特别是从北上广深宁等运营企业向各新开城轨企业流动，其中不乏车辆检维修领域专家，故实现车辆关键部件故障智能诊断对城市轨道交通运营企业意义重大。
对于城市轨道交通运营服务企业而言，车辆运用维修需要合理调配投入的人力及物力资源，不断优化车辆运用维护管理的方法，提高利用率。车辆现有的周期性检维修方法无法及时掌握车辆磨损程度、电气老化程度及机械部件疲劳状态等关键信息，只有当车辆出现异常情况时才能找到故障点，不可预测的车辆设备故障将给城市轨道交通运营带来未知的风险[4]。因此，研究建立普遍适用于城市轨道交通车辆维修的智能诊断系统有着重要意义。 1.1.4 研究意义
开展城市轨道交通车辆智能诊断系统研究主要有以下几点意义：
（1）梳理相关需求，建立数据分析基础，为搭建信息化平台提供必要的支撑，缓解城市轨道交通车辆运维矛盾。当前城市轨道交通运量与运力矛盾突出，这一矛盾根源在于，在暂无购车计划的情况下，车辆需求量大与车辆需下线维修导致车辆供给不足。而搭建实现车辆运行状态在线诊断、提供运维决策的信息化平台能够有效缩短车
4
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
辆检维修时间，大幅度延长车辆上线时间，提高车辆上线率，缓解城市轨道交通车辆运维的供需矛盾问题。
（2）建立基于深度信念网络的城市轨道交通车辆智能诊断模型，实现车辆部件故障诊断，提供运维决策支持。深度学习的特征提取过程能忽略城市轨道交通车辆设备系统间复杂的耦合关系及特征向量间复杂函数关系，挖掘数据的内部结构，找到变量之间的本质联系。基于深度学习的车辆故障诊断模型直接依据不同的特征向量组合给出车辆故障诊断或运维决策，极大简化诊断过程，提高诊断效率。
（3）实现城市轨道交通车辆的定制化维修，保障运营安全。城市轨道交通车辆智能诊断系统根据车辆运行状态监测数据、运行历史数据、维修历史记录和车辆产品参数/模型等，依据智能诊断模型，评估当前车辆故障程度，并为每一车辆制定有针对性的定制化维修方案，确定合理适用且有效的维修方式、维修类型、维修周期以及维修级别，以最少的维修资源确保城市轨道交通车辆的维修质量，减少车辆上线期间故障引起的风险，保障运营安全。
1.2 国内外相关研究概况
设备故障诊断理论包含设备状态检测及状态评估，其研究和应用随着设备维修理念的更新而不断进步。二十世纪五十年代以前，设备简单，设备检测多采用眼睛看、耳朵听、手摸等直观判断，凭借简单规则处理设备故障问题。七十年代以来，设备日益趋向于大型化、自动化、复杂化，直观判断已无法有效监测设备状态，因此出现了大量监测设备和便携式检测仪器，开始对设备运行状态进行系统性地监测。与此同时，设备故障诊断技术也得到了快速发展，并开始在航空、船舶、汽车、机械、冶金、电力以及石油化工等重要工业生产领域得到应用[5][6]。
下文将从设备故障诊断技术研究现状、城市轨道交通车辆设备故障诊断研究现状、深度学习的发展及其在故障诊断中的研究现状等三个方面展开国内外研究现状。 1.2.1 设备故障诊断技术研究现状
1971年，Beard在文献[7]中首先提出并阐述了故障诊断技术概念，随后各国学者对该技术研究大致分为基于模型的定量分析方法研究、基于模型的定性分析方法研究及基于历史数据的诊断方法研究等三大类。
基于模型的定量分析方法主要为对故障解析模型的研究。Willsky（1976）提出基于解析模型的故障检测方法[8]，Isermann(1984)提出了基于对非可测过程参数和状态变量估计的故障检测方法[9]。C CHEN等(2011)研究了基于自适应神经网络-模糊理论和高阶粒子滤波的设备状态预测[10]。
作为故障诊断技术研究的另一方向，基于模型的定性分析方法主要为对故障树、
5
1 绪论 硕士学位论文
符号有向图(Signed directed graph，SDG)等方法的研究。1976年，Caceres等首次提出基于故障树的诊断方法[11]，1979年，lri等最早提出用SDG进行故障诊断[12]，Umeda(1980)提出了如何从过程微分代数方程中生成SDG[13]，Kramer等(1987)提出基于规则的SDG方法进行故障诊断[14]，Han等(1994)运用模糊集理论对SDG模型中的故障排除进行了改进[15]，Vedam等(1997)阐述了使用SDG进行多故障检测[16]的方法，Kim等(1998)使用模糊定向图和模糊因果关系对定性过程进行建模[17]，Yang Fan等(2006)提出概率符号有向图SDG模型，用条件概率来描述故障之间的因果关系[18]。Dokas等(2008)提出了基于故障树分析的模糊专家系统[19]。
基于历史数据的诊断方法主要为对基于逻辑推理专家系统、基于统计分析方法、基于神经网络分析方法的研究。1988年，Venkatasubramanian提出基于专家系统的故障诊断模型MODEX2[20]，Basila等(1990)开发了以目标程序库为基础的专家系统来表达启发式和基于模型的知识[21]，Zhao等(1997)提出了基于神经网络的专家系统集成框架，对某化工厂的加氢裂化过程进行故障诊断[22]。Abbas等(2009)提出了一种模块化分析方法，以飞机发动机为例分析了系统成部件／子系统之间的故障传播效应[23]。
故障诊断技术的研究在我国起步较晚，目前国内在故障诊断领域研究主要集中于滚动轴承、齿轮等单个关键零件[24][25][26]，且多采用小波分析、自回归模型、经验模式分解和奇异值分解[26]等故障特征提取方法处理目标信号。传统的故障特征提取方法一般需要进行复杂的数学运算且必须具备丰富的信号处理技术，对于简单系统效果显著。对大型复杂设备系统，通常外界影响因素众多和内部结构相互耦合难以剥离，传统的故障特征提取方法不足以挖掘出对所有故障类型敏感的特征。此外，随着自动控制技术日益成熟，设备正慢慢呈现大型化、复杂化、智能化、综合化的趋势，整个系统具有强烈的不确定性和非线性特征，无法完全依靠传统方法建立精确的物理模型进行管理监控[27][28]，城市轨道交通车辆也不例外。 1.2.2 城市轨道交通车辆设备故障诊断研究现状
城市轨道交通车辆运营安全是各城市轨道交通运营服务企业面临的最严峻的挑战，为此各国都在积极研究故障诊断技术在城市轨道交通车辆中的应用。
（1）国外研究现状
由于研究起始较早且技术水平较为先进，国外轨道交通车辆的故障诊断技术发展较快。以美德日等国为例，美国GE公司研发了DELTA系统用于机车故障诊断[29]，德国高速列车ICE2.2上装有DAVID诊断系统[30]，日本新干线200型动车组及400型动车组上分别装有MONI及MON4监控系统等[31]。自90年代以来，各国将微机控制技术应用于城市轨道交通车辆牵引和制动控制中，同时采用通信网络控制技术，实现了城市轨道交通车辆设备的运行控制和故障诊断[32][33]。
6
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
（2）国内研究现状
当前我国城市轨道交通车辆已基本实现国产化，除了车辆受电弓、转向架等关键部件外，车辆运行状态监测技术已经比较成熟并在车载运行控制设备上得到了广泛的应用。然而车辆设备故障诊断技术尚处于初步摸索阶段，针对单一部件或零件的理论和方法研究相对较多，针对整个车辆系统的理论方法较少，工程应用则相对更少。
国内学者对城市轨道交通车辆设备故障诊断研究按照是否存在既有监测系统分为两类。事实上，国内各城市轨道交通车辆既有监测系统仅支持数据收集及简单故障报警功能，系统故障报警后仍需应急维修人员跟车排查故障根源，并作出相应故障维修决策。因此，对于已有监测系统的部件，其故障诊断研究主要集中在对原有监测系统日志数据特征进行提取，并在此基础上使用贝叶斯网络[34]、粗糙集[35]、神经网络[36]及文本挖掘[37]等模型或技术手段对关键部件进行故障诊断研究[38]。现有车辆运用维修模式对车辆设备检维修人员专业素养要求较高。
对于没有监测系统的车辆关键部件，其故障诊断研究主要集中在部件的运行状态监测、监测数据处理及故障类别判断等方面。
车辆受电弓部件是城市轨道交通车辆供电系统的核心部件之一，其主要作用是从接触网取得电能从而为列车提供电力及牵引动力。国内对车辆受电弓状态检测仍采用人工检测方式，待车辆回库后接触网断电，日检人员登顶查看。国内学者对于受电弓在线检测研究仍处于起步阶段，研究较少，目前多采用超声波测距、CCD成像、图像处理和图像识别等手段，研究成果还处于试验阶段[39]。
车辆转向架又称车辆走行部，是车辆与钢轨接触的唯一部件，也是城市轨道交通车辆关键部件之一。车辆转向架的可靠性直接影响车辆运行安全，因此转向架运行状态监测、故障诊断及故障预测等方面研究是城市轨道交通车辆故障诊断研究的热点之一。王锋涛[40]以地铁轮对踏面为研究对象，基于分形理论提取故障特征，建立了轮对踏面故障分类器，实现故障诊断。刘国强[41]等提出一种基于振动信号小波包—包络分析的转向架轴承故障智能诊断方法，并搭建了轴承故障诊断试验台对该方法进行了验证。程心平[42]简单介绍了JK10450型地铁车辆走行部车载故障诊断系统在北京地铁的应用效果。黄晓鹏[43]等针对地铁车辆轨道振动信号复杂、非线性、信噪比低及多源耦合等现象，利用EEMD对原始信号进行分解，采用相关系数法筛选主分量，引入熵理论构造模糊熵故障特征向量，通过SVM建立平轮故障识别模型，利用遗传算法优化分类器的核函数和惩罚因子，实现了对地铁车辆车轮踏面擦伤和剥离等平轮故障形式的识别。
随着人工智能、机器学习等智能化手段的兴起，人们越来越希望能最大程度的利用现有积累的大量历史数据，尽可能减少人为的干预，实现复杂设备故障诊断的大数据化与真正的智能化。因此，机器学习算法也越来越多的应用到了设备故障诊断研究
7
1 绪论 硕士学位论文
中。机器学习算法开始应用至设备故障诊断领域时，常采用有监督学习方法，如：反向传播人工神经网络和支持向量机等，这些方法通过建立良好的训练集（带标签）对故障特征提取学习，实现故障分类，达到故障诊断目的，极大提高了诊断效率。随着人们对机器学习研究不断深入，神经网络以其类似人脑神经元构成、且能够通过神经网络的隐藏层自动学习到数据的高维特征这一优势，受到了研究人员越来越多的关注，然而由于传统神经网络大多数结构简单，层次有限，对数据的表达能力有限，用于学习复杂信号的内部特征还存在较大的局限性，并且训练优化过程中容易陷入局部最优
[44][45]
，因此，在设备故障诊断领域，还是只将上述机器学习手段用作故障特征量分类器。而自从机器学习领域的深度学习方法被提出并得到广泛研究以来，很多学者对用
机器学习方法完全实现机械故障诊断有了更大的信心，近几年，越来越多的这方面研究成果涌现[46]，为促进机械故障诊断技术的智能化与大数据化奠定基础。 1.2.3 深度学习的发展及其在故障诊断中的研究现状
自2006年，以Hinton为首的研究人员在Deep Belief Network（深度信念网络，DBN）方面的划时代性的工作后[47][48][49]，深度学习（deep learning）在各领域得到广泛应用，成为研究热门。近年来，深度学习以其在特征提取与模式识别方面显示出的独特优势与潜力，吸引了越来越多的专家学者将研究重点集中在将深度学习应用于解决复杂工业系统故障诊断。
深度学习的“学习”主要集中在对数据的抽象表示上，通过不断挖掘数据的内部结构，找到变量之间的本质关系。好的数据表示方式能够在保留对学习任务有用的信息的同时，消除输入数据中与学习任务无关因素的改变对学习性能的影响[50]。
深度学习的基本模型框架包括卷积神经网络(CNN)、堆叠自动编码机(SAE)、递归神经网络(RNN)、深度信念网络(DBN)等四种。
研究表明基于CNN的故障诊断方法发展至今仅仅三年时间，方法还不成熟，其有效性仍需深入研究，该方法适合处理哪种故障也有待进一步探讨。就现有文献看，基于CNN的故障诊断方法与基于DBN的故障诊断方法相似。但CNN非常适合处理海量数据，学习海量数据中的特征[62][63]，这一特性使CNN成为未来基于深度学习故障诊断算法发展的一个方向。
基于SAE的故障诊断方法中SAE主要起到降噪滤波和特征提取的作用[64][65]。SAE的训练需要样本数据量较少，但需另外附加上适当的分类识别技术，才可实现较高性能的故障诊断效果。
基于RNN的故障诊断方法充分考虑了样本之间的关联关系，且这种关联关系是从神经网络结构体现出来的，具有天然的优越性。递归神经网络具有收敛速度快、精度高、稳定性好、扩展性好等优势，此外RNN在预测方面具有其他算法不可比拟的优势
8
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
[66][67]
。由于RNN较强调连续样本的关联关系，当涉及到连续的、与上下文相关的任务
时，它具有更大的优势，但相应的其训练难度也较其他几种难度更大，更需要高明的训练技巧。
综合考虑诊断对象的复杂性、算法训练的便捷性及故障预测的准确性要求，本文拟对基于深度信念网络的故障诊断方法做进一步研究。
目前采用DBN实现有关故障的诊断与识别还处于初步探索阶段。Yu DONG[51]等首先对DBN在信号与信息处理方面的应用进行总结，并综述其在语音信号处理与识别、图像处理与模式识别以及语言处理与信息提取等方面的研究，而此时DBN在故障诊断领域的应用研究却鲜有报道。Prasanna等在文献[52]中介绍了一种基于DBN的多传感器健康诊断的方法，包含3个连续阶段:1)定义健康状态和训练与测试数据的预处理；2)训练DBN分类识别模型，对预定义的多传感器健康状态进行诊断；3)利用测试数据集对该模型进行有效性验证。此文是将DBN用于实现传感器健康状态特征的分类，而没有实现基于DBN的特征表达与提取，需要进一步深入研究，但确实为实现基于DBN故障诊断方法迈出了一大步。
Van Tung Tran等[53]则针对具有瞬态冲击和复杂背景噪声的振动信号展开研究，该对象难以采用传统诊断方法实现故障诊断，为挖掘隐含在信号中的故障模式，文中的DBN考虑并采用了Bernoulli隐含层与Gaussian可视层单元，赋予了DBN处理实际运行数据的能力，推动了其在故障诊断领域的发展。Shao等[54]、Wang等[55]和Chen等[56]均采用DBN实现了滚动轴承和齿轮箱的故障诊断，并与现有一些主流故障诊断算法进行了比较，验证了所提出方法实现故障诊断的鲁棒性和精确性。随后，赵光权等[57]-[61]紧跟前人的研究，继续在基于DBN实现高维数据的异常检测与识别、滚动轴承故障诊断、齿轮箱深度故障特征提取与识别以及高背景噪声信息提取与融合等领域展开研究，均取得了传统方法无法比拟的效果与优势。
1.3 研究主要内容
开展城市轨道交通车辆智能诊断系统研究具有很强的实际意义，然而该系统是一个大型集成信息化系统，且该系统研究对象——城市轨道交通车辆更是一个涉及多专业、设备系统复杂的大型装备，本文篇幅有限，故只针对车辆进行智能诊断模型研究。智能诊断模型是智能诊断系统的核心之一，对其进行深入研究，对开发智能诊断系统帮助巨大。本文主要从城市轨道交通车辆智能诊断系统设计、城市轨道交通车辆故障决策模型、模型训练与应用等三个方面进行研究。
本文将首先阐述城市轨道交通车辆智能诊断系统概念，分析系统需求，论述系统设计工作流程、系统技术框架等，并对智能运维系统关键技术进行分析，最后阐明城
9
1 绪论 硕士学位论文
市轨道交通车辆智能诊断系统与城市轨道交通车辆智能运维系统其他各功能系统间联系与分工。
为了获取有效的模型所需的特征向量，本文简要概述了我国车辆设备组成，描述了各车辆设备常见故障、故障原因及故障特征，并从中提取设备特征向量和决策向量。随后对深度学习及深度信念网络进行了必要的理论基础介绍，并基于上述向量及DBN模型，对故障诊断网络进行了结构设计，给出了DBN模型训练过程。
为验证DBN模型是否能准确有效对车辆设备故障做出诊断及预测，选取了某地铁公司近四年车辆轮对部件离线测量历史数据，并对数据进行了分析处理，将数据采用抽样法分为训练集和测试集两部分，然后将训练集输入网络模型进行训练，随后将测试集输入网络模型测试，对测试结果准确性进行评估，并测试对比其它几种常用的机器学习算法，最终给出模型应用场景。
1.4 研究技术路线
本研究技术路线如图1.3所示。
10
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
基于深度学习的城市轨道交通车辆智能诊断系统研究研究背景绪论 研究意义国内外研究现状智能诊断系统概念智能诊断系统需求分析城市轨道交通车辆智能诊断系统设计车辆维修作业概述设计工作流程车辆维修现状概述车辆维修价值概述关键技术分析技术框架车辆智能诊断系统智能运维系统车辆设备自动监测系统资产管理系统系统数据仓库及分析中心车辆设备故障描述城市轨道交通车辆深度诊断网络受限玻尔兹曼机模型RBM模型训练算法特征向量提取DBN构建深度诊断网络结构设计深度诊断模型训练过程实例数据分析模型验证及应用模型训练测试深度诊断网络模型训练与测试模型评价改善KNN模型轮对维修周期指导其他常用故障诊断模型对比深度诊断网络模型的应用ANN-BP模型模型综合应用总结与展望图1.3 研究技术路线图
Fig.1.3 Research Technology Roadmap
11
1 绪论 硕士学位论文
1.5 本章小结
本章从我国城市轨道交通发展概况、运量与运力的矛盾、车辆运维情况概述三个方面论述了本文立题背景，提出了本文的研究意义。针对主要研究对象——城市轨道交通车辆设备，本文从设备故障诊断技术、城市轨道交通车辆设备故障诊断研究现状、深度学习的发展及其在故障诊断中的研究现状三个方面分析了国内外研究现状，阐述了本文主要研究内容及研究的技术路线。
12
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
2 城市轨道交通车辆智能诊断系统设计
城市轨道交通车辆智能诊断系统是实现车辆预测性维修的关键一步，其核心算法或模型的科学性直接决定了车辆智能诊断系统对车辆整体性能及各部件状态的实时把控。本文针对当前城市轨道交通车辆检维修模式特点及其在实际检修作业过程中故障诊断技术的实际需求，重点从车辆智能诊断需求分析、系统构成、工作流程和技术框架等方面初步构建了城市轨道交通车辆智能诊断系统。最后阐明城市轨道交通车辆智能诊断系统与城市轨道交通车辆智能运维系统其他各功能系统间联系与分工。
2.1 城市轨道交通车辆智能诊断系统概念及必要性分析
2.1.1 车辆智能诊断系统概念
随着我国对各大城市轨道交通等基础设施建设投入不断加大，全国各主要城市轨道交通得到快速发展，我国城市轨道交通客流也随之快速增长，客流量不断增长要求车辆上线数量需逐步提升。与此同时，为保障城市轨道交通车辆运行性能安全可靠，车辆必须定期进入架修或大修作业，这必然导致需架修或大修的车辆在维修基地不能上线。因此，在暂无购车计划的情况下，极易出现车辆需求量大与车辆供给不足的矛盾。为此，城市轨道交通车辆运维行业急需一种能实现城市轨道交通车辆运行状态在线诊断并给出运维决策的信息化平台来延长车辆上线时间，缩短维修时间，提高车辆上线率。
上世纪70年代起，美军将状态监测系统引入到武器装备中，由此开启了大型设备系统故障预测与健康管理（Prognostics and Health Management，PHM）研究的开端。在随后四十几年的发展中，PHM已经在航空航天、旋转机械系统[68]、风电水电机组系统
[69]
、结构健康管理、电池健康管理等方面取得了重要进展[70]，且近年来越来越呈现出智能诊断是智能运维的一个重要环节，指借助大数据、人工智能等先进技术手段
集成化发展的趋势。智能诊断系统即是以PHM技术为核心的高度集成的信息化系统。 及模糊逻辑等推理算法，根据历史数据、实时数据和环境因素等，对被管理系统进行状态评估和故障预警，与此同时，给出设备当前健康状态下的运用维修决策，以实现关键部件的状态修。
2.1.2 车辆智能诊断系统必要性分析
相对传统故障诊断方法，本文采用深度学习方法建立车辆智能诊断系统必要性如下：
（1）数据量大。我国城市轨道交通建设及投入运营里程每年飞速增长，各城市轨
13
2 城市轨道交通车辆智能诊断系统设计 硕士学位论文
道交通运营服务企业采购的车辆数量也随之不断扩大，车辆的控制监测系统数据总量也随之越来越大，面对庞大的数据量，传统的故障诊断方法显得捉襟见肘。
（2）数据类型多。随着技术的发展，能实现在线监测的车辆零部件越来越多，单列车辆设备监测数据类型也越来越复杂，传统的故障诊断方法需不断修正相关参数才能勉强满足诊断要求，费时费力。随着人工智能、机器学习等智能化手段的兴起，人们越来越希望能最大程度的利用现有积累的大量历史数据，尽可能减少人为的干预，实现复杂设备故障诊断的大数据化与真正的智能化。
（3）设备系统内部耦合情况严重，车辆现有的周期性检维修方法无法及时掌握车辆磨损程度、电气老化程度及机械部件疲劳状态等关键信息，只有当车辆出现异常情况时才能找到故障点，不可预测的车辆设备故障将给城市轨道交通运营带来未知的风险。
（4）部分车辆关键部件缺乏实时监测系统。城市轨道交通车辆上传感器多安装于制动系统、车门系统、电气系统、通号系统等，能实时监测的关键部件不全，这导致用于故障诊断的数据来源不全面，无法有效评估车辆设备当前健康状态。
（5）部分车辆关键部件无法直接建立精确的数学解析模型，描述其故障程度。由于城市轨道交通车辆在运行过程中影响因素众多，出现的故障通常具有一定的随机性，因此车辆检维修工作人员往往无法预先或直接检测到故障，也无法直接建立精确的数学解析模型，描述其故障程度。
（6）大量的已有研究表明，针对单个车辆关键零部件，基于深度学习的故障诊断模型相对传统诊断方法有着无法比拟的效果与优势[51][53]-[61]。
2.2 城市轨道交通车辆智能诊断系统需求分析
城市轨道交通车辆智能诊断系统主要功能为评估车辆设备健康状态，并进行故障预警，而进行城市轨道交通车辆智能诊断系统研究的主要目的是通过对车辆关键部件的运行状态进行实时健康评估，并能够依据当前状态做出故障时间、故障部位、故障原因的预测，以便于车辆实现由当前计划性的被动式检维修向基于设备状态的主动式预测性运用维修转变，最大化利用车辆价值，降低运用维修成本。简单来说，研究城市轨道交通车辆智能诊断系统的目的即是改变现有城市轨道交通车辆维修策略。
在对某地铁运营公司车辆基地实地调研的基础上，本节将从车辆维修作业概述、车辆故障诊断现状分析、车辆维修价值分析等三个方面对车辆智能诊断系统应用背景进行分析，并由此得出城市轨道交通车辆智能诊断系统需求。 2.2.1 车辆维修作业概述
如表2.1所示，国内各城市轨道交通运营公司根据规划要求，分别在各运营线路上
14
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
配备了A、B、C、L等四种主要车型的城市轨道交通车辆。
表2.1 城市轨道交通车辆主要车型规格表
Table 2.1 Specification of main vehicle types for urban rail transit 车型 A型 B型 C型 L型 车长（m/节）
21-24 19-21 15-19 不定 车宽（m） 3-3.2 2.8 2.6 不定 编组（节）
6-8 6 2-4 不定 定员（人/节）
310 240 220 不定 车门数（对/节）
5 4 4 不定 其中，A型车为高运量城市轨道交通车辆，常用于人口密度、流量大的特大型城市使用，如北京地铁14号线、上海轨道交通1号线、广州地铁1号线等；B型车为大运量城市轨道交通车辆，是我国应用最广的地铁车型，B型车按受流方式不同还可分为B1型车和B2型车，B1型车为第三轨（接触轨）供电，B2型车为接触网供电；C型车为中运量轻轨车辆，为轻轨车型，常用于客流量不是很大的线路使用，如长春轻轨4号线；L型车是直线电机列车，是独立于传统地铁交通系统的专用系统，常用于因地质地貌所限，在施工中需解决大坡度、小半径问题的线路，如广州地铁4号线。
上述所有车型尽管在应用有很大不同，但维修修程均按照现行国家标准规范执行。依据现行规范，车辆维修修程分为列修、月修、定修、架修和厂修五个等级[71]。
其中列修与月修目的是确保车辆在线运营过程中保持良好的技术状态。列修与月修通过高频率的检查，期望能够尽可能提早发现并及时消除潜在故障，防止车辆正线运营时发生运营事故。列修和月修一般是在车辆在线运营结束回到车辆段停车库房后，检维修人员对车辆进行的日常性检维修工作。这项工作往往因为检查频率过高导致工作压力较大，而经过磨耗期的车辆故障往往很少，检维修人员易出现懈怠心理，由于缺乏高科技手段直接表征车辆实时状态，因此此项检维修工作质量与工作人员责任心关联度很大。
定修通常是在城市轨道交通车辆运行10万公里或运行满一年后进行的一次周期性维修，这次维修重点往往在于对车辆易出故障的部件进行常规性检查，作业要求不高。
架修与厂修是城市轨道交通车辆计划预防修中的重点部分，其中架修一般是在满足经历多次定修、经历一定时间周期或运行里程达50-70万公里等三个条件中任意一个条件后进行的高级修程[72]，其目的是对车辆各主要设备部件进行性能检测、拆解维修、维护保养及更换磨损过限的零件，从而全面恢复车辆可靠度，延长车辆使用年限，提高车辆使用效率。厂修又称大修，是在车辆每运行100-130万公里或每十年进行的高级修程，其目的在于全面恢复城市轨道交通车辆的基本性能，使其在修理后的技术状态接近于出厂新车的水平[73]。由于维修工艺复杂，维修流程较多，维修要求高，车辆架修与厂修都必须在专门的车辆修理库房中进行，也因此会产生一定的库停时间，影响车辆上线率，进而影响城市轨道交通运营的服务水平。
15
2 城市轨道交通车辆智能诊断系统设计 硕士学位论文
2.2.2 车辆故障诊断现状分析
故障诊断技术是车辆维修过程中的关键环节，谈及我国城市轨道交通车辆故障诊断现状，则无法回避我国当前车辆维修现状。如图2.1所示，城市轨道交通车辆维修模式可按照介入维修时机顺序分为事后维修与定期维修相结合的传统维修、以视情维修为主的预防性维修、实现故障预测的预测性维修、针对故障根源的主动性维修四种。上一小节所述国家规范表明我国大部分城市轨道交通运营企业的车辆维修作业仍处于传统维修阶段，车辆利用率不高，有很大提升空间。具体到车辆故障诊断上，需从以下几个方面进一步完善和提升。
主动性维修针对可能引起最底层分析主体发生故障的一切外部因素而采取的维修措施预测性维修车 辆 利 用 率通过数据建模，对故障发生情况进行预测，依据数据进行趋势分析，根据系统预测的状态选择维修预防性维修由于远程监控及数据诊断能力的改进，可根据实际状态进行维修传统维修 出现故障时，进行响应式维修 故障发生前，按照时间定期检查维护
图2.1 四种维修模式关系图
Fig. 2.1 Relationship diagram of four maintenance modes
（1）数据来源不全
城市轨道交通车辆上传感器多安装于制动系统、车门系统、电气系统、通号系统等，能实时监测的关键部件不全，这导致用于故障诊断的数据来源不全面，无法有效评估车辆设备当前健康状态。而对车辆安全行驶及乘客舒适度影响最大的走行部，目
16
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
前没有更好的监测手段。特别是针对走行部轴箱轴温是否异常的检测，仅限于在轴箱外部贴温度试纸的方法，待车辆回库后，由日常检修人员观测记录。这种方法无法获得车辆运行过程中实时轴温数据，在轴温异常时也无法及时发现，具有很大的安全隐患。
（2）过修欠修
如2.2.1小节所述，我国大部分城市轨道交通运营企业对于车辆维修采用的是传统的计划预防性维修。当设备存在潜在的不安全因素时，因未到维修时间而不能及时排除隐患时，极易出现欠修的情况。当设备状态良好，但已到计划维修时间，就必须检修，此时极易造成过修现象，且检修存在很大的盲目性，造成人力、物力的浪费[74]。由于大部分城市轨道交通企业未对车辆各部件或零件建立维修数据库，可能会出现某部件或零件已达到需维修或更换的阈值，却因为检修人员按照规程不予以维修或更换，造成欠修情况，形成安全隐患。多数学者认为基于故障预测模型的预测性维修是解决过修欠修问题的方法之一。
（3）缺乏故障诊断与提示手段
现有故障诊断是以经验丰富的检维修人员以传统经验为主的，缺少详细而明确的故障诊断与提示手段。设备发生故障后，应急维修人员接到故障报修并得到包含故障时间、故障地点、故障表象等信息在内的第一手故障信息，然而由于缺少详细而明确的故障辅助诊断与提示手段，应急维修人员只能依靠测试设备对故障部位进行常见故障检测，以此来判断可能的故障原因及故障部位。
（4）故障误报
车辆设备故障报警信息分类庞杂，长期存在误报、错报现象。一般的，车辆设备故障误报原因有两个：监测层可靠性不高导致故障误报、设备间相互耦合导致鼓掌误报。
本世纪头十年，为解决传感器安装空间受限及关键部件技术受限无法安装传感器的问题，国内一些城市轨道交通企业采用轨旁红外测试的方法来测定经过车辆的运行参数，以达到近似故障预警的目的。然而，由于城市轨道交通车辆运行环境恶劣，轨道振动较大等对红外影响较大，测定设备自身可靠性不高，造成误报率很高。近几年，城市轨道交通车辆开始尝试在一些部件直接加装传感器，但由于城市轨道交通车辆运行时间长、启停频繁等原因，车门传感器等会出现故障误报的情况。
（5）未能建立故障预测模型
目前的故障诊断主要是在车辆发生故障后，由调度将车调回相应的维修库，由经验丰富的工程师来对系统中的故障数据进行分析，凭借自身经验来判断故障类型和故障程度，做出维修决策。这种诊断方法受个人主观因素影响较大，由于没有建立故障预测模型，不能实现趋势预警、突变预警等，且故障预测率为零。
17
2 城市轨道交通车辆智能诊断系统设计 硕士学位论文
（6）其他
我国城市轨道交通车辆维修系统信息化不足，故障诊断及维修主要依靠经验丰富的工程师及一线员工，处于事后维修阶段，不能实现故障预测，也无法实现健康状态管理。许多维修管理工作仍由维护人员人工完成，如备品备件使用记录等，无电子动态管理，不利于查找和保存。 2.2.3 车辆维修价值分析
城市轨道交通是一个带有公益性质的交通方式，城市轨道交通运营企业关注如何使用最小的成本实现运营服务价值最大化，而车辆维修价值是城市轨道交通运营服务价值的重要组成部分。
城市轨道交通车辆设备维修价值分析如图2.2所示。车辆设备故障往往是从微缺陷、中缺陷、大缺陷慢慢变化而来的，并不是毫无征兆突发故障的。由图2.2可知，从左至右三种维修方式，缺陷等级越来越高，维修成本随之越来越大，相应的维修价值就越来越低，直至发生不可逆故障，设备维修价值为零，设备报废。
当前我国城市轨道交通车辆维修仍处于事后维修与预防维修相结合的维修模式，这种维修模式主要以周期性的预防维修为主，通过对车辆设备部件磨损规律的掌握进行周期性的检维修，并以事后维修来应对不可预测外力导致的突发故障和其他周期性检维修未能覆盖的故障。现有这种维修模式下，仍会出现应正线运行的车辆因累计缺陷发生故障导致其必须下线维修或线上临时维修恢复部分性能，无论哪种后果都有可能影响正线运行车辆数量，增加行车调度压力，严重则可能造成局部拥堵，极易发生城市交通局部瘫痪，给乘客出行安全及财产安全带来很大威胁。
随着技术不断发展，针对车辆部件的有效监测手段在不断丰富，现在可以实现对车辆设备部件微缺陷的维修管理，防患于未然，使维修价值尽可能最大化。实际上，无法通过对设备状态的实时监测发现设备微缺陷，即使可以发现也需付出极大的代价，对于提高维修价值是不利的。本文利用设备历史数据建立基于深度学习的城市轨道交通车辆智能诊断模型，随后依据监测数据对设备状态进行评估，预测设备是否出现微缺陷，从而实现设备健康管理。这个思路与直接对微缺陷进行监测相比，对传感器精度要求较低，相应的监测成本大幅下降，即能实现维修价值最大化。
18
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
主动维修预测维修针对关键零件的健康管理，防止劣化针对关键设备的健康管理，防止劣化不会产生延误或清客，不影响设备系统功能微缺陷维修技术预防维修事后维修针对关键设备的劣化管理，防止故障针对设备的故障管理，减少下线或救援次数偶然会产生延误或清客，影响设备系统功能发展到故障边缘，置之不理后果严重中缺陷大缺陷报废故障缺陷程度
图2.2 城市轨道交通车辆设备维修价值分析图
Fig. 2.2 Analysis of maintenance value of urban rail transit vehicle equipment
2.2.4 智能诊断系统需求
通过对上述三个方面的详细剖析，为了实现预测性维修目标，提高设备故障诊断与预测工作质量，最大化利用车辆设备价值，完善设备运用维修管理，对智能诊断系统提出如下需求：
（1）以监测系统实时数据为基础，实现城市轨道交通车辆健康状态评估；
（2）以车辆设备关键部件历史运行数据及历史故障数据为基础，选取适当的模型，建立设备故障预测模型；
（3）以设备故障预测模型及监测系统提供的实时数据为基础，实现设备故障预测，使设备处于微缺陷阶段故障即被排除，使维修价值做大化；
（4）以预测性维修为目标，从维修策略上解决过修欠修问题；
（5）以先进的计算机技术为依托，搭建信息化平台，实现在线故障诊断与识别。
2.3 系统设计工作流程
本文所述城市轨道交通车辆智能诊断系统是实现城市轨道交通车辆设备预测性维修模式的信息化平台，系统可通过深度学习方法对实时监测系统采集的监测数据进行
19
2 城市轨道交通车辆智能诊断系统设计 硕士学位论文
数据挖掘与特征学习，实现关键部件的在线实时诊断及故障预测，对于故障实现早期预警和分级报警，指导车辆的运用与维修。
为更好的完成车辆在线状态监测，实现车辆关键部件状态预测性维修，智能诊断系统应至少具备数据分析、故障诊断、故障预测及维修策略等几个基本功能。
备品备件保障决策维修计划修订车辆智能诊断系统人机交互界面N数据融合数据预处理大数据技术车地通信系统数据传输数据融合人工智能人工智能微型复合传感器特征提取状态监测智能诊断Y故障预测历史监测数据产品参数/模型 历史统计数据图2.3 城市轨道交通车辆智能诊断系统设计工作流程图
Fig.2.3 Workflow Diagram of Intelligent Diagnosis System for Urban Rail Transit Vehicles
该系统的设计工作流程如图2.3所示，黑色实线框内为城市轨道交通车辆智能诊断系统设计工作流程。城市轨道交通车辆智能诊断系统数据处理中心利用诸如贝叶斯推理、Dempster-Shafer、卡尔曼滤波、神经网络、专家系统、模糊逻辑等数据融合算法提取数据特征，通过对特征提取后的数据进一步分析实现对各关键部件的状态监测，并将这一数据存入数据库；与此同时对经过特征提取后的数据利用深度学习相关算法判断部件是否出现故障，并结合历史数据及产品参数模型等预测故障的部位、类型、损伤程度等；系统通过人机交互界面及时向车辆检维修人员反馈故障预测情况，检修人员依据系统预测情况及时修订维修计划与保障决策，流程结束，进入下一个循环；若系统控制中心判断未出现故障情况，则流程结束，系统进入下一个循环。
当前计算机数据处理能力发展迅速，计算能力强，多任务能轻松并行处理，因此系统内部往往有多个上述循环在同时运行，以此提高系统诊断能力。
20
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
2.4 系统技术框架
智能诊断系统是一个信息化程度高，涉及专业繁多的综合性信息化平台。智能诊断系统将改变现有城市轨道交通运营服务企业的车辆运用维修模式，使车辆运用维修管理更加高效简洁，促进各部门融合，减少各部门间信息接口，降低管理成本。研究开发车辆智能诊断系统是当前国内已实现网络化运营的城市轨道交通运营企业对车辆管理模式的探索之一。
综合查询故障预警知识库维护可靠性图形化统计中心数据库检维修知识库故障预测模型库分析模型库故障预测故障分析自适应学习模块模型设计故障预警健康评估
图2.4 城市轨道交通车辆智能诊断系统技术框架图
Fig.2.4 Technical Framework of Intelligent Diagnosis System for Urban Rail Transit Vehicles
如图2.4所示，城市轨道交通车辆智能诊断系统至少应由“中心数据库”和“操作界面层”等两个层面构成。在操作界面上，应至少包括“综合查询”、“故障预警”、“知识库维护”等供一线车辆维修人员及工程师操作。中心数据库中，包含必要的检维修知识库、各关键部件的故障预测模型库及各关键部件的分析模型库。以上所述各硬件软件最终实现“健康评估”、“故障预警”等两个功能。
通过以上系统技术框架可基本实现设备健康状态评估、故障快速决策及预测性维修策略制定等措施。具体体现为：
（1）设备健康状态评估
数据传输到中心数据库，在分析模型库及故障预测模型库进行故障分析后，系统能对设备健康状态进行评估，当评估结果为发生故障或将要发生故障时，在操作界面层提供规范的故障位置、故障编号、故障影响级别等关键信息，并能够依据检维修知识库及检修手册给出维护辅助决策。
（2）故障快速决策
21
2 城市轨道交通车辆智能诊断系统设计 硕士学位论文
系统配有自适应学习模块，该模块能不断适应车辆运行环境并无监督学习已发生设备故障特征，并存入检维修知识库中。在这一模块保障下，系统能以最快的时间形成规范化的故障快速决策，给出车辆设备维修模式、维修时机和维修周期等辅助决策策略，为检维修人员决策提供辅助[75]。
（3）预测性维修策略制定
系统的故障预测模型库为车辆设备提供了基于设备状态的预测性维修的基础。预测性维修的难点在于，由于车辆设备自身的复杂性及设备间相互耦合难以完全分离的特性，人工难以准确建立描述车辆设备劣化趋势的模型。而系统自适应学习模块以深度学习为基础，能够有效提取分离车辆设备系统高维度故障特征，建立有效的故障预测模型，并存入故障预测模型库中。这使制定有效的预测性维修策略成为可能。
2.5 系统关键技术分析
城市轨道交通智能诊断系统涉及的关键技术包括车辆状态评估、故障预测、可扩展的检维修知识库及模型库、应急维修支持等。
可扩展的检维修知识库的本质是一种专家系统，为达到给城市轨道交通车辆故障维修和日常检修提供专家知识支持的目标，检维修知识库需要输入并维护多种不同种类的知识。不同类型的知识往往具有不同的知识结构，知识库不可能一劳永逸的包含所有知识，这也是不现实的，因此系统需要具备可扩展的能力；最后，城市轨道交通车辆的各类维修知识之间并不是相互独立的，它们之间存在着继承和引用的关系，因此知识的共享和复用也很重要。该技术知识体系需由经验丰富的领域专家团队梳理形成知识结构，然后由软件开发人员输入系统，本文研究期间不具备此条件，故本文不对这一技术作深入探讨。
车辆状态评估与故障预测是城市轨道交通车辆智能诊断系统的核心技术，是对车辆运行有效数据价值的进一步挖掘。通过深度学习算法对车辆转向架、电机等部件历史劣化数据进行多层次、多维度特征提取，学习部件劣化趋势与其影响因素之间的函数关系，得到有效数学模型与网络结构，实现车辆状态评估与故障预测。因此，对于车辆状态评估与故障预测，如何选取有效的深度学习算法，如何进行有效训练，对于习得数学模型如何求解以及最后如何验证模型的有效性至关重要，这也是本文研究重点。
2.6 系统拓展应用
本文所述智能诊断系统包含了“健康评估”、“故障预警”等两大功能，未来可在
22
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
此基础上加入城市轨道交通车辆运用维修部门资产管理系统、车辆状态监测系统，并整合成城市轨道交通车辆智能运维系统，即智能诊断系统未来可作为智能运维系统的子系统之一。
城市轨道交通车辆智能运维系统在如图2.4所示系统技术框架基础上，集成“数据采集”、“状态监测”、“健康评估”、“故障预警”、“资产管理”等五大功能，最终形成车辆设备自动监测系统、系统数据仓库及分析中心、车辆智能诊断系统及资产管理系统等四个功能系统。
（1）车辆设备自动监测系统以数据采集、状态监测功能为主体，利用先进传感技术及监控规则库，实现以下功能：
1）检测车辆设备各关键部件运行状态。利用先进传感技术，针对车辆设备各关键部件自身特性，制定不同的传感器搭配策略，使设备监测数据更全面可靠，在数据源头处控制系统误差。监控规则库为监控器正常运行提供支持，使系统能有效检测车辆设备各关键部件运行状态，为车辆智能诊断系统实现故障诊断及故障预测提供数据基础。
2）将车辆设备系统运行状态数据化。车辆智能运维系统是一个以计算机程序为依托的大型信息化平台，数据化是车辆智能运维系统正常运转的基础。车辆设备自动监测系统利用数据采集装置将车辆设备系统运行状态转换为电信号，再通过信号处理技术实现车辆设备系统运行状态数据化。
3）在线实时监测，配合车辆智能诊断系统实现实时诊断。如前所述，利用当前计算机运算速度快、数据处理能力强的特性，车辆设备自动监测系统能在数据采集端采集到数据后快速处理，实现在线实时监测，使监测数据、健康评估、故障预警等具有很强的时效性。
（2）系统数据仓库及分析中心主要由中心数据库及数据库中的检维修知识库、检修手册、故障预测模型库、分析模型库、监控规则库构成，主要实现以下功能：
1）集成所有数据。包括车载数据、离线数据、外部数据等采集端数据及故障分析数据、模型设计程式数据、故障预测数据等分析数据在内的系统所有数据均在系统数据仓库及分析中心模块临时或永久存储。
2）设备故障率实时统计。在车辆智能诊断系统对设备关键部件进行健康状态评估及故障预测后，系统数据仓库及分析中心可针对某个周期内存入的某个选定关键部件故障数据统计分析，形成故障率统计报表。
3）设备状态特征变化趋势跟踪及反馈。由于系统中存有大量的包含故障分析数据、故障预测数据在内的设备状态特征变化数据，系统可利用大数据分析技术跟踪反馈设备状态特征变化趋势。
（3）车辆智能诊断系统以健康评估及故障预警功能为主体，利用深度学习算法构
23
2 城市轨道交通车辆智能诊断系统设计 硕士学位论文
建基于深度信念网络的故障诊断网络，实现以下功能：
1）在线实时诊断。如前所述，车辆设备自动监测系统的在线实时监测功能能为车辆智能诊断系统提供实时数据用于故障分析及故障预测，实现车辆设备在线实时诊断。
2）数据模型分析。车辆智能诊断系统可提供利用大数据分析技术对自适应学习模块及模型设计模块中机器学习算法习得的模型有效性进行分析这一功能，为工程师判断模型是否可用提供参考。
3）运行过程中自动输出诊断结论。由于故障分析模型及故障预测模型已程序化存储在系统模型库中，系统运行过程中可依据输入数据特征，对设备状态自动分析，给出故障预测结果，输出诊断结论。
4）准确反映故障后果及危害度等级，输出最优维修策略。车辆智能诊断系统依据故障预测结果，结合设备部件劣化趋势，给出故障后果，并依据危害度分级规定给出故障危害度等级，辅助资产管理系统输出最优维修策略。
（4）资产管理系统以资产管理功能为主体，是智能运维系统辅助功能模块，主要实现以下功能：
1）智能管理维修计划。资产管理系统依据车辆智能诊断系统给出的预测的设备故障位置、类型、原因、危害度等信息，自动匹配相应维修计划。车辆设备各部件维修计划按照故障位置、类型、原因、危害度等分类标准模块化存储在检维修知识库及检修手册中，在资产管理系统需要制定维修计划时，按照对应信息自动提取，智能匹配，并输出为一线检维修人员维修决策提供参考。
2）智能测算备品采购计划。资产管理系统是一个信息化系统，短期内可与城轨运营企业物资管理系统进行数据对接，按照物资储备公式，结合当前库存量及预计消耗量，给出每个采购周期内各备品备件需采购数量及给备品备件采购周期，为运营公司生产管理提供便利。
3）智能核查备件信息，能够实现物流预警。资产管理系统远期可采用物资数据标签和RFID射频识别技术实现基于物联网的物料管理系统，利用市场成熟的仓库物资数字化管理系统解决方案，打造数字化物资管理体系。资产管理系统可借助这一解决方案，对系统内备品备件类型、数量、出入库时间、剩余寿命等关键信息滚动核查，检测到低于数量阈值的备品备件，在资产管理界面发出预警，方便物资管理人员及时补充。
4）自动生成采购单并自动分配。
5）应急维修支持。车辆发生不可抗的突发故障时，资产管理系统可提供针对故障部位、原因、程度的应急维修支持。
24
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
车辆设备自动监测系统监控规则库支持实时监测数据支持车辆智能诊断系统存储诊断数据模型库支持存储新模型实时诊断数据支持资产管理系统知识库等支持存储维修策略存储监测数据系统数据仓库及分析中心图2.5 四大功能系统关系图
Fig. 2.5 Diagram of four major functional systems
概括来说，四大功能系统之间关系如图2.5所示。“系统数据仓库及分析中心”是其他三个功能系统的基础保障，负责为其他三个功能系统提供技术支持及数据存储，“车辆设备自动监测系统”是“车辆设备自动监测系统”、“车辆智能诊断系统”、“资产管理系统”等三个职能系统的起始系统，也是这三个职能系统的基础，为后续两个功能系统正常运转提供数据支持。“车辆智能诊断系统”是三个职能系统的核心系统，是整个智能运维系统正常工作的关键，也是城市轨道交通车辆维修走向基于状态的预测性维修的关键一步。“资产管理系统”是三个职能系统的输出系统，是智能运维系统的应用系统及辅助系统。“资产管理系统”可提供的维修策略、备品备件调配、检维修人员调配都是已针对不同设备部件不同程度故障进行模块化编排并提前输入知识库及检维修手册中，因此，该系统可依据“车辆智能诊断系统”提供的诊断结果，自动给出相应维修决策，使智能运维系统落到实际应用中。
2.7 本章小结
本章首先对城市轨道交通车辆智能诊断系统的概念进行了阐述，并从车辆维修作业、故障诊断现状及维修价值等三个方面对系统的应用背景进行了分析，并在此基础上总结出城市轨道交通车辆智能诊断系统的六大需求。随后对系统设计工作流程、系统技术框架、系统关键技术进行了概述。最后说明了系统可拓宽至城市轨道交通车辆智能运维系统，搭建了智能运维系统基本框架，并阐述了智能运维系统中各功能系统之间的联系与分工。
25
2 城市轨道交通车辆智能诊断系统设计 硕士学位论文
26
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
3 城市轨道交通车辆深度诊断网络
在对城市轨道交通车辆智能诊断系统从概念、系统需求、系统工作流程、技术框架、系统关键技术及车辆智能诊断系统未来拓展应用等方面进行详细设计及说明后，本章内容致力于搭建并阐述城市轨道交通车辆智能诊断系统核心，即深度诊断网络结构模型。本章通过提取设备特征向量及决策向量，明确模型数据来源及模型训练目标；以深度学习与深度信念网络模型为基础，设计深度诊断网络结构，建立城市轨道交通车辆深度诊断网络模型，并采用对比发散算法作为模型训练算法，使用马尔科夫链蒙特卡罗（MCMC）方法中的吉布斯采样进行迭代计算求解。
3.1 设备特征向量提取
本文所研究的城市轨道交通车辆智能诊断系统是深度学习算法在城市轨道交通车辆设备状态判别与预测的工程实践研究，故在搭建车辆深度诊断网络之前，对设备组成、设备故障表现进行描述使深度学习理论更加贴合工程需求是必要的，在此基础上提取训练深度网络所需的设备特征向量及决策向量，明确数据来源及训练目标。 3.1.1 车辆设备故障描述
如2.2.1小节所述，我国城市轨道交通系统主要选用车型有A型车、B型车、C型车和L型车四种，多采用6节编组运行，但部分市郊线路也采用4节编组运行，如苏州地铁，本章及后续内容所述车辆若无特别说明皆为一列车的一节。
车体转向架机械部分车端连接装置制动系统轮轨车辆电气部分空调通风系统电气牵引系统辅助供电系统列车控制系统乘客信息系统
图3.1 轮轨车辆组成分类图
Fig. 3.1 Classification chart of wheel rail vehicles
如图3.1所示，城市轨道交通是一个拥有复杂系统的工业产品，一般轮轨系统的城
27
3 城市轨道交通车辆深度诊断网络 硕士学位论文
市轨道交通车辆可按照工程性质分为机械部分、电气部分两大组成部分，其中转向架、制动系统、电气牵引系统、列车控制系统等四个系统是保证车辆安全平稳运行的基本系统。图3.2给出了某地铁公司车辆各部件系统在2013-2015年度故障率统计饼状图。由图3.2可知，在2013年度、2014年度、2015年度车辆机械部件故障率分别为62%、58%、60%，其中车门部件故障率连续三年处于高位，车辆机械部件故障已成为阻碍城市轨道交通车辆高效率运用的主要原因。在图3.2（d）中可以明显看出车辆各组成系统故障率排序为：车门、车体、辅助供电系统、转向架、电气牵引系统、乘客信息系统（PIS）、制动系统、空调通风系统、列车控制系统（TCMS），而车门、车体、辅助供电系统故障主要集中在“车厢门无法正常开关”、“司机室侧门无法正常开关”、“辅助风机震动”等故障结果影响较轻的故障。其中“车厢门无法正常开关”、“司机室侧门无法正常开关”故障原因主要集中在旋钮开关不能旋转或损坏和个车隔间门门吸丢失紧固螺栓；“辅助风机震动”故障原因为滤网长时间未清理灰尘，这些故障对车辆安全运行及乘客安全无法造成严重影响，保证日常检修作业质量即可解决。故障率在第四位的转向架故障则直接影响车辆运用及乘客生命财产安全，故障结果危害极大。且转向架是支撑车体及其载荷并使车辆沿着轨道行驶的车辆运行的装置，是保证车辆运行质量、动力性能和运行安全的关键部件。
2013年度系统故障转向架, 519, 12%制动, 405, 9%牵引, 478, 11%空调, 325, 7%PIS, 428, 9%TCMS, 265, 6%车门, 705, 16%2014年度系统故障转向架, 398, 12%PIS, 289, 9%TCMS, 173, 5%制动, 259, 8%牵引, 422, 13%车门, 684, 20%辅助, 563,12%车体, 816, 18%空调, 198, 6%辅助, 489, 15%车体, 411, 12%
（a）2013年度车辆各系统故障统计饼状图 （b）2014年度车辆各系统故障统计饼状图
28
硕士学位论文 ··················································· 基于深度学习的城市轨道交通车辆智能诊断系统研究 2015年度系统故障转向架, 713, 15%制动, 258, 5%牵引, 602, 13%空调, 395, 8%辅助, 705, 15%PIS, 308, 6%TCMS, 270, 6%车门, 1037, 22%2013-2015年度故障总计转向架13%制动7%车门19%PIS8%TCMS6%牵引12%车体, 484, 10%空调7%辅助14%车体14% （c）2015年度车辆各系统故障统计饼状图 （d）2013-2015年度车辆各系统故障总计饼状图 图3.2 某地铁公司车辆各系统2013-2015年度故障率统计饼状图 Figure 3.2 Pie Chart of Fault Rate Statistics of Vehicle Systems of a Metro Company from 2013 to 2015
车辆轮对是车辆转向架部件的组成部分之一，其安装在转向架构架上，是车辆与钢轨直接接触的部分。车辆轮对直接向钢轨传递车辆质量，并通过轮轨间的黏着产生牵引力和制动力。依靠轮对在钢轨上的复杂运动，车辆实现沿固定轨道运行。轮对的质量直接影响城市轨道交通车辆的运行安全，轮对的径向跳动直接影响乘客乘坐舒适性，且轮轨关系与弓网关系是城市轨道交通车辆运营过程中最重要的两大关系。
车辆设备是一个包含许多子系统和组件的大型复杂设备系统。考虑到整车设备投入使用年限长，若使用整车全生命周期内运行状态数据，数据量十分巨大，不易收集，且车辆设备全生命周期中运行状态存在明显的周期性，即车辆架修与大修能够恢复车辆设备性能，使车辆设备运行状态具有周期性，故一般只研究讨论两个高级修程（架修或大修）间的车辆设备运行状态。
综上，本文以城市轨道交通车辆轮对部件为例，采集一个周期内运行状态数据，并建立基于深度信念网络的故障诊断网络模型，其他各车辆组成系统的故障诊断网络可遵循本文搭建模型的思想分别搭建，各诊断网络模型共同组成2.4小节所述的分析模型库及故障预测模型库。
如表3.1所示，车辆轮对故障维修原因主要有三种：轮对主要性能尺寸不达标、踏面磨损、达到一定运行时间或里程后的周期性镟轮。其中，“达到一定运行时间或里程后的周期性镟轮”是车辆月修、定修、架修及大修的常规项目。而若检测到轮对轮径尺寸、轮缘高、轮缘厚及qR值等尺寸不达标或踏面磨损严重，则城市轨道交通运营服务企业车辆检维修部门会立即安排“不落轮镟床”对超标轮对进行镟削修正。
29
3 城市轨道交通车辆深度诊断网络 硕士学位论文
表3.1 某地铁公司某线路车辆轮对检修标准表
Table 3.1 Standard table of vehicle wheel set maintenance for a certain subway company 检查项 车轮轮缘 车轮踏面 轮缘厚度Sd 轮缘高度Sh 轮径D 轮缘角（qR值） 轮对内侧距L 同轴轮对内侧距与对应的两个轮的轮缘厚度之和δ 运行时间T 故障判定标准 裂纹、缺陷 裂纹、缺陷、金属堆积 小于或等于22mm 大于或等于32mm 同轴轮缘高度差大于2mm 小于或等于770mm 小于6.5mm或大于12.7mm 不在1350mm至1356mm范围内 不在1404mm至1420mm范围内 一个月 三个月 四年 16000km 运行里程M 50000km 800000km 维修策略 镟轮 镟轮 镟轮 镟轮 镟轮 更换 镟轮 更换 镟轮或更换 调整 镟轮 更换 调整 镟轮 更换 而轮对内侧距需保持在1350mm-1356mm（不同车型值不同）之间，此时既能保证车辆在各线路上运行时轮缘与钢轨之间有一定的游动间隙，同时又能保证在最不利的情况下，轮对踏面在钢轨上仍有足够的搭接量，不至发生脱轨事故，且能安全通过道岔。因此，若检修发现轮对内侧距不在规定之内，则车辆必须立即转为重大临修，更换轮对。
车轮与钢轨的接触面——车轮踏面及沿车轮踏面向车轮内侧圆周凸起的轮缘，同样是保持车辆沿钢轨运行的重要部分。由于车辆运行过程中，轮轨关系复杂，轮对除沿钢轨滚动前进外，时常伴有滑动前进的情形，故车轮踏面在车辆运行过程中常有擦伤或剥离现象。在出现车轮踏面擦伤或剥离现象后，车轮转动时，每一处擦伤或剥离会周期性的以很大的力锤击钢轨，易导致钢轨发生损伤，发出巨大噪声，同时反作用到轮对上，易造成车辆振动，引起车辆其他部件的磨耗和损失，极大地危及行车安全。
在城市轨道交通车辆进入稳定运行周期时，轮对踏面擦伤剥离现象并不常见，且轮对磨损有周期性特点。对由于驾驶员操作或ATP/ATC系统故障而引发的轮对擦伤剥离超标现象，只需对擦伤剥离超标的车辆轮对进行镟轮修正即可。而如果运营车辆经常发生轮对擦伤、剥离甚至沟槽等非正常磨耗现象，那么就必须更深入地分析其原因。通常来说，车辆轮对发生经常性的非正常磨耗现象，常与车辆运行的具体线路情况、轮轨匹配情况、车辆制动控制系统等有关。
30
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
3.1.2 特征向量及决策向量
对城市轨道交通车辆轮对利用深度信念网络进行故障诊断的难点之一是数据的选取和处理，这直接关系到故障诊断与预测结果的准确率及科学性。为建立适用于实际情况的基于磨损量的车辆轮对劣化趋势数学模型，本文选取了某地铁公司083084列车车辆轮对测量数据作为深度诊断网络的训练数据集及验证数据集。
3.1.1小节中表3.1详细介绍了轮对检修的各检查项、故障判定标准及相应维修决策，依据表中内容整理出如表3.2所示的基于磨损量及时间里程标签的车辆轮对故障判定项及其判定标准。
表3.2 城市轨道交通车辆轮对故障判定项目表
Table 3.2 Judgement table of vehicle wheel set fault for Urban Rail Transit
数目 故障判定项 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 T M Sh1 Sh2 Sd1 Sd2 ΔSh D1 D2 qR11 qR12 qR21 qR22 L1 L2
δ1 δ2 计算公式 T-起始日（d） M-起始里程(km)
32-Sh奇 32-Sh偶 Sd奇-22 Sd偶-22 2−|𝑆ℎ奇−𝑆ℎ偶|
D奇-770 D偶-770 qR奇-6.5 12.7-qR奇 qR偶-6.5 12.7-qR偶 L-1350 1356-L δ-1404 1420-δ 故障判定标准
运行时间标签，以架大修或出场日为起始日 运行里程标签，起始日里程为起始里程
大于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于或等于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于零为合格，其他为故障 大于或等于零为合格，其他为故障 大于或等于零为合格，其他为故障 本研究收集了2014年8月至2018年8月间共480组轮对测量数据及124条转向架故障数据，经过分析筛选后整理出包含8160个数据的数据集。值得注意的是，上述检测项都可以通过一定手段实现在线检测，且检维修人员需要以这些判定数据为依据进行维修决策。为此，本文定义特征向量如下：
𝐞=[𝑒1，𝑒2，…，𝑒𝑖，…，𝑒𝑚]
其中，
31
𝑇
（3.1）
3 城市轨道交通车辆深度诊断网络 硕士学位论文
e：故障特征向量，其值经处理后呈σ=1的高斯分布； m：故障判定项的总数，本文中m=17；
𝑒𝑖：第i个故障判定项，𝑒𝑖是向量e经处理后呈标准高斯分布的第i个实数。 为达到城市轨道交通车辆轮对故障预测的目标，结合某地铁公司某线路的实际数据，本文总结了城市轨道交通车辆轮对运用维修策略，如表3.3所示。
表3.3 城市轨道交通车辆轮对运用维修策略表
Table 3.3 Urban Rail Transit Vehicle Wheel Maintenance Strategy Table 数目 1 2 3 4 5 6 7
运用维修策略
更换 镟轮 调整 预更换 预镟轮 预调整 正常运用 在定义了特征向量后，本文定义了维修决策向量，即轮对应做何种程度的维修，维修决策向量如下：
𝐟=[𝑓1，𝑓2，…，𝑓𝑖，…，𝑓𝑛]
其中，
f：维修决策向量，其值为二进制值； n：运用维修策略数量，本文n=7； 𝑓𝑖：第i个决策项，i∈[1，n]；
式（3.2）中，𝑓𝑖∈{0，1}，“0”表示不使用该项运用维修策略，“1”表示使用该项运用维修策略。
由于城市轨道交通车辆故障较多，本研究仅保留某地铁公司该线路083084列车2014年8月至2018年8月间的轮对测量数据。换言之，本文所述的故障诊断网络是通过使用只记录这个时间段内轮对的历史测量数据及历史故障数据来训练的。为找到轮对磨损量与运行时间、运行里程之间的劣化关系，并给出相应决策，总共记录了17种故障判定项和7种运用维修决策。本研究可推广至其他城市轨道交通系统轮对在任何时间段内的故障诊断及决策问题，在经过基本训练后，本文亦适用于整个城市轨道交通车辆故障诊断系统。
由上述分析可知，城市轨道交通车辆轮对的运用维修问题旨在获得城市轨道交通
32
T
（3.2）
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
车辆在实际运行中故障的预测及其运维决策向量，即：
𝐟∗=argmaxP(𝐟|𝐞)
𝐟
（3.3）
它被称为条件随机场(conditional random fields，CRF)，该建模技术在模式识别领域中得到非常广泛的应用。该式在本研究中意味着，给定一个当前运行时间及运行里程的车辆轮对测量数据，我们需要找出最应该付诸实施的轮对运维向量。在后文中，提出了解决这一问题的具体DBN网络结构设计。
3.2 深度学习与深度信念网络
自2006年Geoffrey Hinton表明深度信念网络（Deep Belief Network，简称DBN）这一深度神经网络结构可以使用一种“贪婪逐层预训练”的策略来有效训练之后，神经网络研究浪潮再次涌起，深度学习得到巨大发展。
理论上来说，参数越多的模型，其复杂度越高、容量越大，相应的它能够完成更复杂的学习任务。然而复杂模型在一般情况下常常陷入训练效率低，极易过拟合而难以得到研究人员的青睐。近年来，随着云计算及大数据处理技术不断突破，计算机计算能力大幅提高，有效缓解了复杂模型训练效率低的问题，且随着数据量的大幅增加，过拟合风险也得到有效降低。在此基础上，深度学习及其他复杂模型开始受到研究人员及应用人员的关注，深度学习也以其出色的特征提取与模式识别能力而在故障诊断与预测领域崭露头角。 3.2.1 神经元模型
深度学习作为实现机器学习进而加速人类走向人工智能时代的一个重大突破，其技术基础是神经网络领域的研究。早期的人工神经网络研究借鉴了许多生物神经网络的概念，而本文所论述的神经网络专指“神经网络学习”，而非生物神经网络。
神经网络中最基本的单元是神经元（neuron）模型。1943年，McCulloch and Pitts[76]将上述生物神经网络电信号传递过程抽象为如图3.3所示的简单模型，即“M-P神经元模型”。“M-P神经元模型”成为后续神经网络学习研究的基础。在这个模型中，神经元接收来自n个其他神经元的输入信号（x1，x2，…，xi，…，xn），这些信号分别通过带权重（w1，w2，…，wi，…，wn）的连接进入神经元，神经元将接受到的总输入值与阈值或偏置θ比较，若超过阈值或偏置，则通过激活函数（activation function，又称响应函数）
𝑛
y=𝑓(∑𝑤𝑖𝑥𝑖−𝜃)
𝑖=1
（3.4）
33
3 城市轨道交通车辆深度诊断网络 硕士学位论文
来处理以产生神经元的输出。
图3.3 M-P神经元模型 Fig. 3.3 M-P neuron model
理想中的激活函数是如图3.4（a）所示的阶跃函数，它将输入值映射为输出值“0”或“1”。然而，实际常用Sigmoid函数作为激活函数，典型的Sigmoid函数如图3.4（b）所示，其关系式为：
Sigmoid(x)=1+e−x （3.5）
1
（a）阶跃函数 （b）Sigmoid函数
图3.4 典型的神经元激活函数
Fig. 3.4 Typical neuronal activation function
将上述神经元模型按一定的层次结构连接起来，就得到了神经网络，而多层（一般大于三层）神经网络结构即为深度神经网络，是深度学习的基本网络结构。人工神经网络从本质上可被视为包含了许多参数的数学模型，不同于常规模型的是，这个模型是若干个函数相互代入（嵌套）而得。事实上，神经网络的学习过程，就是依据训练数据集来调整神经元之间的连接权重以及每个功能神经元的阈值或偏置。 3.2.2 受限玻尔兹曼机模型
神经网络中有一类基于能量的模型——受限玻尔兹曼机（Restricted Boltzmann Machine，简称RBM）模型，该模型为整个网络状态定义一个能量函数，当能量最小时网络达到最优状态，RBM的训练过程本质上就是最小化这个能量函数。在RBM模型中，神经元的输出只有激活和未激活两种状态，对应的分别用“0”和“1”来表示。
34
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
该模型具有强大的非监督学习能力，可以发现数据中的潜在规则。
如图3.5所示，受限玻尔兹曼机模型是一个具有两层神经元结构的前馈神经网络，也可视为一个两层无向概率图模型，是马尔可夫随机场（Markov random field）的特殊类型。其底层为可见层，由m个可见变量v =(v1，…，vm)T组成，用于模拟可观察数据；其顶层为隐藏层，由n个隐藏变量h =(h1，…，hn)T组成，用于捕获可见变量之间的依赖关系。RBM模型层间不允许存在连接。
图3.5 RBM的无向二分图
Fig. 3.5 The undirected bipartite graph of RBM
标准的RBM模型的可见层和隐藏层均为二进制数据，而车辆设备监测信号数据多为连续实数数据，显然传统的标准RBM模型无法胜任从实数数据中提取特征学习数据内在关系的任务。本文提出了一种利用高斯分布的特性来处理输入的实数数据的方法，使新构建的深度信念网络能够有效处理实验数据。由于假定可见神经元的数据为高斯分布，隐藏神经元的数据满足伯努利分布，故将此方法命名为高斯-伯努利受限玻尔兹曼机（Gaussian-Bernoulli Restricted Boltzmann Machine，GBRBM），相应地，标准受限玻尔兹曼机又称为伯努利-伯努利受限玻尔兹曼机（Bernoulli-Bernoulli Restricted Boltzmann Machine，BBRBM）。本文主要使用GBRBM和BBRBM构建深度信念网络结构，故分别对这两种模型的数学特性及训练算法进行描述是有必要的。
（1）伯努利-伯努利受限玻尔兹曼机
如前所述，受限玻尔兹曼机是由m个可视节点及n个隐藏节点组成，隐藏层向量h有条件独立提取可视层向量𝐯特征，因此，每个隐藏节点都是独立特定特征值。BBRBM主要用于对二元变量（v，h）建模，其中二元变量（v，h）∈{0，1}m+n 。BBRBM模型的联合概率分布为：
p(𝐯，𝐡)=𝑍𝑒−𝐸(𝒗，𝒉) （3.6）
其中，
𝐯：可视层向量；
35
1
3 城市轨道交通车辆深度诊断网络 硕士学位论文
𝐡：隐藏层向量；
Z是配分函数或称为归一化因子，表示对可视层和隐藏层节点集合的所有可能状态的能量指数进行求和，可以确保p(𝐯，𝐡)是一个有效的概率分布，Z的公式如下：
Z=∑∑𝑒−𝐸(𝒗，𝒉)
𝒗
𝒉
𝑚
𝑛
（3.7）
BBRBM的能量函数为：
𝑛
𝑚
𝐸(𝒗，𝒉)=−∑∑𝑤𝑖𝑗𝑣𝑗ℎ𝑖−∑𝑣𝑗𝑏𝑗−∑ℎ𝑖𝑐𝑖
𝑖=1𝑗=1
𝑗=1
𝑖=1
（3.8）
上述式中，
i∈{1，…，n}，j∈{1，…，m}； 𝑣𝑗：第j个可视变量； ℎ𝑖：第i个隐藏变量； 𝑤𝑖𝑗：连接𝑣𝑗与ℎ𝑖的权重参数； 𝑏𝑗：第j个可视变量的偏置； 𝑐𝑖：第i个隐藏变量的偏置。
从式（3.6）、式（3.7）及式（3.8）中可推算出，低能量的𝐸(𝒗，𝒉)对应的概率很高，即模型偏向于往低能量发展。
由于隐藏层中的隐藏节点与可视层中的可视节点是相互独立的，因此，其条件概率由下式给出：
𝑚
p(𝒗|𝒉)=∏𝑝(𝑣𝑗|𝒉)
𝑗=1𝑛
（3.9）
p(𝒉|𝒗)=∏𝑝(ℎ𝑖|𝒗)
𝑖=1
（3.10）
当可视节点的输入数据为二进制数据时，可通过式（3.9）和式（3.10）依据神经网络传播规则来估计条件概率。
𝑛
p(𝑣𝑗=1|𝒉)=𝑆𝑖𝑔𝑚𝑜𝑖𝑑(𝑏𝑗+∑ℎ𝑖𝑤𝑖𝑗)
𝑖=1𝑚
（3.11）
p(ℎ𝑖=1|𝒗)=𝑆𝑖𝑔𝑚𝑜𝑖𝑑(𝑐𝑖+∑𝑣𝑗𝑤𝑖𝑗)
𝑗=1
（3.12）
（2）高斯-伯努利受限玻尔兹曼机
BBRBM建立了包含能量函数的数学模型来模拟随机二元变量，故此模型不适用于对连续实数数据的建模，而GBRBM模型在对连续实数数据建模上表现优异。GBRBM
36
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
模型的可视层是由具有实数的可视节点𝑣𝑚组成，其隐藏层是由二进制的隐藏节点ℎ𝑛组成。基于与BBRBM相同的原理，GBRBM的能量函数由下式定义：
𝑣𝑗(𝑣𝑗−𝑏𝑗)
𝐸(𝒗，𝒉)=−∑∑𝑤𝑖𝑗ℎ𝑖−∑−∑ℎ𝑖𝑐𝑖
𝜎𝑗2𝜎𝑗2
𝑖=1𝑗=1
𝑗=1
𝑖=1
𝑛
𝑚
𝑚
2
𝑛
（3.13）
上述式中，
i∈{1，…，n}，j∈{1，…，m}； 𝑣𝑗：第j个可视变量； ℎ𝑖：第i个隐藏变量； 𝑤𝑖𝑗：连接𝑣𝑗与ℎ𝑖的权重参数；
𝜎𝑗：第j个可视节点高斯噪声的标准偏差； 𝑏𝑗：第j个可视变量的偏置； 𝑐𝑖：第i个隐藏变量的偏置。
GBRBM模型的可视层单元及隐藏层单元条件概率为：
𝑛
p(𝑣𝑗=𝑣|𝒉)=𝑁(𝒗|𝑏𝑗+∑ℎ𝑖𝑤𝑖𝑗，𝜎𝑗2)
𝑖=1
（3.14）
𝑣𝑗
p(ℎ𝑖=1|𝒗)=𝑆𝑖𝑔𝑚𝑜𝑖𝑑(𝑐𝑖+∑𝑤𝑖𝑗2)
𝜎𝑗
𝑗=1
𝑚
（3.15）
其中，𝑁(𝒗|𝜇，𝜎2)表示具有均值𝜇和方差𝜎2的高斯概率密度函数。 3.2.3 受限玻尔兹曼机训练算法
当模型训练样本给定后，训练一个受限玻尔兹曼机的目的在于不断调整模型的参数{w，b，c，σ}，使其拟合给定的训练样本，使在该参数下受限玻尔兹曼机表示的可视层节点概率分布尽可能与训练数据相符合。
如果想要确定一个RBM模型，应确定两个部分。首先是需确定这个模型中可视层和隐藏层的节点个数，其中可视层节点个数是由输入的数据维数唯一确定的，而隐藏层节点个数一般依据具体研究目标而定，情况无法穷尽。其次是需确定模型的几个参数{𝑤𝑖𝑗，𝑏𝑗，𝑐𝑖，𝜎𝑗}，下面对此进行分析。
3.2.2小节中已经提及，受限玻尔兹曼机的训练过程本质上就是最小化这个能量函数。由式（3.6）、式（3.7）、式（3.8）及式（3.13）可知，能量函数𝐸(𝒗，𝒉)最小化问题，可转化为求联合概率分布p(𝐯，𝐡)最大化的问题，即获取其最大化对数似然函数以拟合轮对磨损量训练数据。
通过对联合概率分布p(𝐯，𝐡)求解边缘分布，并且求解极大似然函数，可得到BBRBM参数的更新公式如下：
37
3 城市轨道交通车辆深度诊断网络 硕士学位论文
Δ𝑤𝑖𝑗≈ε(<𝑣𝑗ℎ𝑖>𝑑𝑎𝑡𝑎−<𝑣𝑗ℎ𝑖>𝑚𝑜𝑑𝑒𝑙) Δ𝑏𝑗≈ε(<𝑣𝑗>𝑑𝑎𝑡𝑎−<𝑣𝑗>𝑚𝑜𝑑𝑒𝑙) Δ𝑐𝑖≈ε(<ℎ𝑖>𝑑𝑎𝑡𝑎−<ℎ𝑖>𝑚𝑜𝑑𝑒𝑙)
（3.16） （3.17） （3.18）
其中，ε为随机梯度学习率；<·>data表示训练数据的分布期望；<·>model表示能量模型的分布期望，然而<·>model需花费指数级时间来计算，因此本文使用逼近梯度的对比发散算法（CD-k）来代替。对比发散算法是采用梯度逼近思想，使用马尔科夫链蒙特卡洛算法中的吉布斯（Gibbs）采样进行迭代计算，直至收敛，而不是使其直接达到收敛。
（1）Gibbs采样算法
Gibbs采样的思想是在不知道一个样本数据𝐱=(𝑥1，𝑥2，…，𝑥𝑖，…，𝑥𝑛)T的联合概率P(x)，但知道样本中每一个数据的条件概率𝑃(𝑥𝑖|𝑥𝑖−1)的前提下，通过先求出每一
000T个数据的条件概率值，来得到x的任一状态[𝑥1，𝑥2，…，𝑥𝑖0，…，𝑥𝑛]。随后，可使
用条件概率公式迭代求出每一个数据的条件概率。最终，当迭代k次时，x的某一状态
𝑘𝑘𝑘T[𝑥1，𝑥2，…，𝑥𝑖𝑘，…，𝑥𝑛]将收敛于x的联合概率分布P(x)。
（2）CD-k算法
CD算法是指需要k次Gibbs采样对可见层节点进行重构得到可见层节点的概率分布。一般，当k=1时，模型学习能力已经足够实际应用，且计算难度呈指数级下降。以BBRBM模型为例，CD算法的思想是：假设给模型一个样本v0，通过式（3.12）求所有隐藏层节点的概率值，随后将每一个概率值和随机数进行比较得到每一个隐藏层节点的状态（是否激活），然后通过式（3.11）求每一个可见层节点的概率值，同样将每一个概率值和随机数进行比较得到每一个可视层节点的状态（是否激活）v1，再由式（3.12）求每一个隐藏层节点的概率值，比对得到重构后的隐藏层节点的状态h1，最后得到参数梯度的计算公式可由式（3.16）、式（3.17）及式（3.18）变为如下公式：
Δ𝑤𝑖𝑗=ε(<𝑣𝑗ℎ𝑖>𝑑𝑎𝑡𝑎−<𝑣𝑗ℎ𝑖>𝑟𝑒𝑐𝑜𝑛) Δ𝑏𝑗=ε(<𝑣𝑗>𝑑𝑎𝑡𝑎−<𝑣𝑗>𝑟𝑒𝑐𝑜𝑛) Δ𝑐𝑖=ε(<ℎ𝑖>𝑑𝑎𝑡𝑎−<ℎ𝑖>𝑟𝑒𝑐𝑜𝑛)
其中，<·>recon表示重构后的能量模型的分布期望。 同样的，对于GBRBM模型，其参数梯度计算公式为：
𝑣𝑗𝑣𝑗
Δ𝑤𝑖𝑗=ε(<2ℎ𝑖>𝑑𝑎𝑡𝑎−<2ℎ𝑖>𝑟𝑒𝑐𝑜𝑛)
𝜎𝑗𝜎𝑗
38
（3.19） （3.20） （3.21）
（3.22）
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
Δ𝑏𝑗=ε(<
𝑣𝑗𝑣𝑗
>−<>) 𝜎𝑗2𝑑𝑎𝑡𝑎𝜎𝑗2𝑟𝑒𝑐𝑜𝑛
（3.23） （3.24）
Δ𝑐𝑖=ε(<ℎ𝑖>𝑑𝑎𝑡𝑎−<ℎ𝑖>𝑟𝑒𝑐𝑜𝑛)
上述公式给出了RBM参数求解公式，为高效训练RBM模型，给出以BBRBM更新算法（算法1）及GBRBM更新算法（算法2）。为方便算法叙述，给出如下定义：
𝒙𝟏：RBM模型训练数据分布中的一个采样，共S次采样； ε：对比发散算法中随机梯度下降的学习速率；
w：RBM的权重矩阵，其中行数为隐藏节点个数，列数为可视节点个数； b：RBM输入节点的偏置向量； c：RBM隐藏节点的偏置向量；
Q(ℎ2·=1|𝒙𝟐)：由元素Q(ℎ2𝑖=1|𝒙𝟐)组成的向量。 算法1：BBRBM模型参数更新 for all 隐藏节点i do
用式（3.12）计算𝑄(ℎ1𝑖=1|𝒙𝟏) 从𝑄(ℎ1𝑖=1|𝒙𝟏)中采样h1i∈{0，1}
end for
for all 可视节点j do
用式（3.11）计算P(𝑥2𝑗=1|𝒉𝟏) 从P(𝑥2𝑗=1|𝒉𝟏)中采样x2j∈{0，1}
end for
for all 隐藏节点i do
用式（3.12）计算𝑄(ℎ2𝑖=1|𝒙𝟐) 从𝑄(ℎ2𝑖=1|𝒙𝟐)中采样h2i∈{0，1}
end for
𝐰←𝐰+𝚫𝐰=𝐰+ε(𝒙𝟏𝒉𝟏−𝒙𝟐𝒉𝟐) 𝐛←𝐛+𝚫𝐛=𝐛+ε(𝒙𝟏−𝒙𝟐) 𝐜←𝐜+𝚫𝐜=𝐜+ε(𝒉𝟏−𝒉𝟐)
（3.25） （3.26） （3.27）
39
3 城市轨道交通车辆深度诊断网络 硕士学位论文
GBRBM模型的训练算法与BBRBM模型的训练算法类似，如下： 算法2：GBRBM模型参数更新 for all 隐藏节点i do
用式（3.15）计算𝑄(ℎ1𝑖=1|𝒙𝟏) 从𝑄(ℎ1𝑖=1|𝒙𝟏)中采样h1i∈{0，1}
end for
for all 可视节点j do
用式（3.14）计算P(𝑥2𝑗=1|𝒉𝟏) 从P(𝑥2𝑗=1|𝒉𝟏)中采样x2j∈R
end for
for all 隐藏节点i do
用式（3.15）计算𝑄(ℎ2𝑖=1|𝒙𝟐) 从𝑄(ℎ2𝑖=1|𝒙𝟐)中采样h2i∈{0，1}
𝒙𝟏𝒉𝟏𝒙𝟐𝒉𝟐
−2) 𝜎𝑗2𝜎𝑗𝒙𝟏𝒙𝟐
𝐛←𝐛+𝚫𝐛=𝐛+ε(2−2)
𝜎𝑗𝜎𝑗𝐜←𝐜+𝚫𝐜=𝐜+ε(𝒉𝟏−𝒉𝟐)
3.2.4 深度信念网络构建
深度信念网络（Deep Belief Network，DBN）是第一批成功应用深度神经架构训练的非卷积模型之一。深度信念网络因其良好的非线性能力、泛化能力而备受关注。
深度信念网络是一种由多个受限玻尔兹曼机层叠而成的概率生成模型，其核心思想是用无监督学习方法训练每一个RBM模型，且每次只训练单个RBM模型，并将训练结果作为下一个RBM模型的输入，将训练完的RBM模型层叠构建DBN网络，再用监督学习方法对所有层之间的权值进行微调。因此DBN网络模型具有若干个隐藏变量层，隐藏变量通常是二进制的，而可视节点可以是二进制的，也可以是实数。如图3.6所示，深度信念网络模型中每层的每个节点连接到每个相邻层中的每个节点，但层内无连接，其顶部两层之间的连接是无向的，而其他所有层之间的连接是有向的，箭头指向最接近数据的层。因此，本质上，训练好的深度信念网络是由受限玻尔兹曼机与
40
end for
𝐰←𝐰+𝚫𝐰=𝐰+ε(
（3.28） （3.29） （3.30）
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
Sigmoid Belief Networks（一种与RBM模型类似的有向图模型）的混合模型，其顶层为RBM模型，下面所有层都是SBN模型。RBM模型转变为SBN模型的机制为：当逐个训练完每个RBM模型之后，RBM模型的对称连接就变成了如图3.6中的单向连接，而把虚线连接丢弃，实际上，实线箭头的权重为对应的虚线箭头权重值的转置。
haha-1h2h1x
图3.6 深度信念网络结构图
Fig. 3.6 Illustration of Deep Belief Network architecture
如图3.6所示，x是DBN网络的输入向量，a是隐藏层的数目，DBN网络结构使得网络中的每个RBM层都可以使用算法1及算法2来训练。最底层RBM模型的输入为DBN网络的输入数据集，其它层RBM模型的输入为位于其下方一层RBM模型的输出集，这种DBN网络结构为DBN模型的无监督逐层贪婪算法提供了基础。深度信念网络（DBN）通过采用逐层训练的方式，解决了深层次神经网络的优化问题，通过逐层训练为整个网络赋予了较好的初始权值，使得网络只要经过微调就可以达到最优解。
3.3 基于DBN的车辆深度诊断网络模型
在此节中，本文将针对城市轨道交通车辆轮对运用维修现状，明确描述基于DBN模型的城市轨道交通车辆轮对故障诊断网络设计，并针对网络模型需反向微调权重的特点，引入BP算法，并给出深度诊断网络模型的训练过程及训练算法。
41
3 城市轨道交通车辆深度诊断网络 硕士学位论文
3.3.1 故障诊断网络结构设计
如前所述，本文搭建了两种输入类型不同的RBM模型，分别给出了训练算法，也说明了DBN网络模型的基本结构，本节将针对应用实践，对城市轨道交通车辆轮对故障诊断网络结构进行设计。
本文研究的基于DBN的车辆轮对深度诊断网络结构如图3.7所示。由于本文所研究的DBN网络模型的输入节点数据为连续实数，而输出节点数据为二进制值，故网络模型的底层RBM模型采用GBRBM模型。由于第二层RBM模型的输入节点数据为GBRBM模型的输出节点数据，故第二层RBM模型采用BBRBM，同样的，第三层也为BBRBM模型。第四层网络结构中的隐藏层h4层为整个网络模型的输出层，其基本网络框架仍为BBRBM模型，但是在经过自下而上的无监督预训练后，将输出节点数据与n个标签节点比对，并将误差（比对结果）自顶而下反向传播至整个网络，以微调各层间权重值及偏置量，即利用BP算法对整个网络参数进行微调，使网络达到整体最优。
输入数据 BPNN BBRBM h4n个标签节点h3h2BBRBM GBRBM xh1输入数据
图3.7 基于DBN的车辆轮对深度诊断网络结构图
Fig. 3.7 Network structure diagram of vehicle wheel depth diagnosis based on DBN
一般的，当需要压缩输入数据时，其隐层神经节点数量应小于显层；当隐藏层节
42
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
点数量大于显层时，网络学习能力更强。Kolmogorov定理表明，两层神经网络中，隐层节点数如表3.4所示。
表3.4 深度诊断网络模型各层节点个数设置表
Table 3.4 Table number of nodes in each layer of 深度诊断网络 model 网络层名称 输入层x 隐藏层h1 隐藏层h2 隐藏层h3 输出层h4 节点数 17 35 70 35 7 s=2n+1；三层网络中，中间层节点数s=sqrt
（0.43mn+0.12nn+2.54m+0.77n+0.35）+0.51，故深度诊断网络网络每层节点个数设置
3.3.2 深度诊断网络模型训练过程
如上一小节所述，深度诊断网络模型训练分为两个阶段，即：
1）采用自下而上的无监督的逐层贪婪算法训练每层RBM模型，获取各层间初始权重值及偏置量，确保特征向量映射到不同的特征空间时，都尽可能多地保留特征信息。此时，深度诊断网络模型状态已接近最优，但模型重构生成的数据与输入数据仍有微小误差，故需在第二阶段对模型参数进行微调。
2）自上而下的有监督学习对网络参数进行微调。网络的最上一层为BP网络，在经过预训练后，将输出向量与标签向量对比，并利用交叉熵共轭梯度下降算法将网络的累计误差反向传播到网络每一层，更新各层网络间权重值及偏置量，使网络整体达到最优。
实际上第一阶段对网络的预训练只能确保每一层RBM网络自身层内权值对该层特征向量映射达到最优，而无法使整个深度诊断网络模型的特征向量映射达到最优，故反向传播网络将误差信息自顶向下传播至每一层RBM模型中，以对整个深度诊断网络模型进行微调。本质上，对整个深度诊断网络模型的预训练可以看作是对一个深层BP神经网络权重值及偏置量等参数的初始化，使整个网络模型克服了传统BP神经网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点，也能使网络诊断精度得到一定程度提升。
网络参数通过如下最小化代价函数J（w，b）进行反向传播控制调整。公式如下：
1
J(𝒘|𝒃)=−∑(𝑦(𝑖)𝑙𝑜𝑔𝑦̂(𝑖)+(1−𝑦(𝑖))𝑙𝑜𝑔(1−𝑦̂(𝑖)))
𝑆
𝑖=1𝑆
（3.31）
其中，
43
3 城市轨道交通车辆深度诊断网络 硕士学位论文
w：深度诊断网络模型的权重矩阵； b：深度诊断网络模型的偏置量矩阵； S：训练样本个数；
𝑦(𝑖)：训练样本的第i个输出值； 𝑦̂(𝑖)：预训练后生成的第i个输出值。
深度诊断网络模型具体训练算法如算法3所示，为叙述方便，对以下符号做出定义如下：
̂：深度诊断网络模型输入的训练集分布； 𝑃
T：迭代次数；
Wk：第k层RBM模型的权值矩阵，k=1，...，4； bk：第k层RBM模型可视节点的偏置向量； ck：第k层RBM模型隐藏节点的偏置向量。 算法3：深度诊断网络模型训练 （1）无监督训练过程，一层层构建网络 初始化参数，Wk = 0，bk = 0，ck = 0； for all s = 1，...，S do
̂中采样得到一个输入样本𝒙𝟏，共s个样本） 令𝒙𝟏=𝒙𝐬 （从训练样本集𝑃for all k = 1，...，4 do
if （k == 1） do
for q = 1，...，T do
调用算法2，更新Wk，bk，ck 令𝒙𝟏=𝒉𝟐
end for
for q = 1，...，T do
调用算法1，更新Wk，bk，ck 令𝒙𝟏=𝒉𝟐
else
end for
end if
end for
end for
（2）有监督微调整个网络
使用如下公式，基于BP算法进行反向传播控制调整：
44
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
argmin J（w，b） 𝐰，𝐛
3.4 本章小结
本章首先详细说明了搭建深度诊断网络模型所需的基础理论，并给出了GBRBM模型及BBRBM模型的概念和训练算法。随后概述了城市轨道交通车辆设备，选取了车辆轮对作为故障诊断对象，并基于轮对磨损量及轮对维修策略建立了特征向量及故障决策向量，以此为依据整理出了模型的训练集和测试集。最后在以上内容基础上，本章建立了城市轨道交通车辆轮对的基于磨损量的深度诊断网络诊断模型，并给出了模型训练算法。
45
3 城市轨道交通车辆深度诊断网络 硕士学位论文
46
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
4 模型验证及应用
本章将对第三章中所述模型进行训练及仿真测试，对测试结果进行评估，并给出其应用场景。在此之前，首先对训练集、测试集等数据集进行分析处理，使其能够被程序识别，用于训练模型。
4.1 实例数据分析
本文选取了某地铁公司该线路083084列车在2014年8月至2018年8月间轮对的连续测量数据、转向架故障数据，并结合表3.3给出的运维策略、某地铁公司该线路车辆设备建议维护手册及实地调研访谈，将轮对磨损量历史数据与轮对运维策略逐一匹配，经分析筛选后整理出一个含11520个数据的数据集，组成一个480行24列的矩阵U。矩阵U由轮对磨损量特征向量e及维修决策向量f组成，即U=[e，f]，其中向量e为模型输入向量集，向量f是标签数据集，为模型反向微调提供支持。由于在城市轨道交通车辆实际维修生产中，备品备件采购、调配需要时间，维修设备及人员排班也需要生产调度人员提前制定排班计划，故本文在轮对运维决策中引入“预调整”、“预镟轮”及“预更换”等三个概念，为备品备件及维修人员、设备排班预留时间，优化维修计划。在深度诊断网络模型训练之前，“预调整”、“预镟轮”及“预更换”判断节点是在对历史数据充分分析的前提下，使用插值法预先假设的，在实际应用中可通过模型模拟运行的方式确定较为符合实际的判定节点，这是一个由经验转为精准模型的过程。
在传统城市轨道交通车辆轮对运用维修中，轮对的使用寿命为运行达800000km或4年，而从数据中可以得知，四年时间车辆很难达到800000km的运行里程，而此时因为运行时间到限即更换轮对，造成极大浪费。
由于本文所用轮对磨损量数据均为历史数据，且为实数，为消除数据量纲和量纲单位不统一的影响，方便后续训练模型及模型应用，故对轮对磨损量数据用式（4.1）和式（4.2）进行标准化处理，使数据标准差σ=1，且数据在[0，1]范围内。在车辆轮对全生命周期数据中采集其磨损量历史数据可理解为从总体样本中随机抽样，故其标准差可视为该线路上城市轨道交通车辆轮对磨损量数据的标准差，模型实际应用时可直接采用与本文相同的方式处理数据后再利用模型对轮对当前状态进行评估决策。
𝒆𝒆′= （4.1）
𝜎′
𝒆′−𝑒𝑚𝑖𝑛
′′
𝒆=′ （4.2） ′𝑒𝑚𝑎𝑥−𝑒𝑚𝑖𝑛
47
4 模型验证及应用 硕士学位论文
其中，
𝒆′：第一次处理后新构建的模型输入特征向量；
′
𝑒𝑚𝑖𝑛：第一次处理后新构建的模型输入特征量的最小值； ′𝑒𝑚𝑎𝑥：第一次处理后新构建的模型输入特征量的最大值；
𝒆′′：第二次处理后新构建的模型输入特征向量，后文为叙述方便仍用𝒆表示。 经检验，处理后的数据为处于[0，1]区间内，标准差等于1的数据集。
为了说明各数据的意义，在表4.1及表4.2中给出了部分数据处理前后对比。如表4.1及表4.2第一行中，𝑓6=1意味着在该运行时间、运行里程及磨损量下，需在当日车辆回库后为此轮对安排调整，当列车跑完正线回库后，日常维护人员应对车辆轮对进行调整保养；表中第三行𝑓5=1，则在该运行时间、运行里程及磨损量下，需在7天至10天内为此轮对安排镟轮维修，当设备及人员准备妥当后进行不落轮镟；表中第8行𝑓4=1，则在该运行时间、运行里程及磨损量下，生产调度需在30天内安排轮对拆解并更换故障轮饼；此外，表中第5、7、12、13、17、18行有𝑓1=1，则在该运行时间、运行里程及磨损量下，生产调度应立即安排车辆下线，进入专业维修厂实施轮对拆解并更换故障轮饼，否则有较大可能发生重大事故；同样的，表中第4行𝑓2=1及表中第2行𝑓3=1分别表示在分别对应的运行时间、运行里程及磨损量下，生产调度应立即安排车辆下线，分别进行不落轮镟及调整保养，否则极可能会有影响程度不一的事故发生；而表中𝑓7=1则意味着，此轮对可正常运用。
48
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
表4.1 数据处理前数据集（部分） Table 4.1 Data sets before data processing (part) 数目 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 特征向量e 1 27 31 71 79 2 11983 13695 30815 34239 3 4.9 1 3.9 0.7 2.6 4 4.4 1 2.8 1.2 3.2 4.5 5 10.1 10.5 10.6 9.4 19.2 14.69 6 9.9 10.7 10.9 10.4 18.5 16.9 7 1.5 2 0.9 1.5 1.4 8 9 10 4 4.5 2.4 1.7 11 2.2 1.7 3.8 4.5 12 3.7 4.2 4.9 4.2 13 2.5 2 1.3 2 14 15 16 17 2.7 0.9 0.7 2.3 -15 51.1 51.6 66.3 66.3 49.7 49.5 65.5 66.3 3.3 2.7 13.3 3.9 2.1 15.1 3.8 2.2 15.3 3.6 2.4 13.7 31 决策向量f 1 2 3 4 5 6 7 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 458 141077 17.1 17.9 3.97 2.23 4.54 1.66 3.3 2.7 466 142495 3.98 1.48 51.8 52.1 2.58 3.62 1.94 4.26 3.7 2.3 28.3 -12.3 0 0 0 0 0 0 1 2 51.9 52.1 1.75 4.45 1.48 4.72 4.8 1.2 24.4 2.4 3.8 -8.4 0 0 0 1 0 0 0 478 144622 4.25 4.02 17.49 17.41 1.77 13.7 13.1 2.56 3.64 3.01 3.19 3.3 2.7 28.2 -12.2 1 0 0 0 0 0 0 498 148167 4.78 4.78 14.84 14.71 541 155966 3.92 3.89 17.2 538 155257 4.17 4.05 17.14 17.21 1.88 49.9 50.6 2.22 3.98 2.11 4.09 3.3 2.7 27.7 -11.7 0 0 0 0 0 0 1 17.55 1.97 55.6 54.4 12 2.56 3.64 3.9 2.1 28.6 -12.6 0 0 0 0 0 0 1 -6.5 -13 0 0 0 0 0 0 1 1 0 0 0 0 0 0 3.1 3.1 3.9 2.1 29 544 156675 4.66 4.75 14.79 14.62 1.91 49.3 49.6 1.41 4.79 1.53 4.67 3.1 2.9 22.5 546 157384 4.86 3.57 17.76 17.36 0.71 462 141786 4.9 4.2 4.5 16.8 14.69 17.5 16.9 1.3 466 142495 3.98 11.8 3.13 3.07 48.9 47.6 2.27 3.93 2.57 3.63 2.9 3.1 27.2 -11.2 1 0 0 0 0 0 0 59 59.5 1.59 4.61 1.25 4.95 4.3 1.7 24.9 4 2 23.4 -8.9 -7.4 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1.48 51.8 52.1 2.58 3.62 1.94 4.26 3.7 2.3 28.3 -12.3 0 0 0 0 0 0 1 470 143204 4.08 4.61 15.65 15.03 1.47 474 143913 4.78 4.49 14.52 14.81 1.71 52.5 50.5 1.22 4.98 1.66 4.54 482 145331 486 146040 2.9 4.7 3 4.7 18.7 16.9 16.7 18.8 17.2 1.9 2 17.3 18.5 4.03 2.17 3.5 2.7 478 144622 4.25 4.02 17.49 17.41 1.77 13.7 13.1 2.56 3.64 3.01 3.19 3.3 2.7 28.2 -12.2 1 0 0 0 0 0 0 3.2 2.8 30.7 -14.7 1 0 0 0 0 0 0 27 -11 0 0 0 0 0 0 1 49.5 50.1 2.38 3.82 2.35 3.85 4.1 1.9 28.2 -12.2 0 0 0 0 0 0 1 490 146749 3.49 4.41 16.82 1.08 52.9 51.4 2.22 3.98 2.36 3.84 3.5 2.5 494 147458 4.23 4.06 16.76 17.62 1.83 59.4 58.1 2.27 3.93 1.64 4.56 3.9 2.1 28.2 -12.2 0 0 0 0 0 0 1
49
4 模型验证及应用 硕士学位论文
表4.2 数据处理后数据集（部分） Table 4.2 Data sets after data processing (part) 特征向量e 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 决策向量f 1 2 3 4 5 6 7 0.018 0.036 0.646 0.720 0.149 0.142 0.810 0.754 0.747 0.627 0.350 0.611 0.256 0.433 0.567 0.344 0.656 0 0 0 0 0 1 0 0.020 0.041 0.086 0.058 0.160 0.165 1.000 1.000 1.000 0.712 0.262 0.696 0.200 0.633 0.367 0.406 0.594 0 0 1 0 0 0 0 0.046 0.093 0.502 0.409 0.163 0.171 0.582 0.732 0.711 0.356 0.631 0.816 0.121 0.600 0.400 0.413 0.587 0 0 0 0 1 0 0 0.051 0.103 0.043 0.097 0.128 0.157 0.810 0.987 1.000 0.237 0.754 0.696 0.200 0.533 0.467 0.358 0.642 0 1 0 0 0 0 0 0.297 0.424 0.316 0.486 0.414 0.392 0.772 0.205 0.168 0.622 0.355 0.755 0.161 0.433 0.567 0.958 0.042 1 0 0 0 0 0 0 0.302 0.428 0.514 0.739 0.283 0.345 0.802 0.766 0.756 0.386 0.599 0.309 0.454 0.567 0.433 0.865 0.135 0 0 0 0 0 0 1 0.310 0.435 0.552 0.646 0.364 0.360 0.913 0.150 0.086 0.383 0.603 0.492 0.334 0.433 0.567 0.861 0.139 1 0 0 0 0 0 0 0.323 0.445 0.628 0.794 0.287 0.282 1.000 0.767 0.756 0.246 0.745 0.230 0.506 0.933 0.067 0.729 0.271 0 0 0 1 0 0 0 0.349 0.467 0.541 0.652 0.354 0.354 0.954 0.735 0.730 0.325 0.663 0.338 0.435 0.433 0.567 0.844 0.156 0 0 0 0 0 0 1 0.351 0.469 0.505 0.621 0.356 0.364 0.989 0.827 0.796 0.356 0.631 0.415 0.384 0.633 0.367 0.875 0.125 0 0 0 0 0 0 1 0.353 0.471 0.611 0.788 0.286 0.279 0.966 0.725 0.713 0.188 0.805 0.238 0.501 0.367 0.633 0.663 0.337 0 0 0 0 0 0 1 0.354 0.473 0.640 0.558 0.372 0.358 0.510 0.123 0.064 0.480 0.503 0.508 0.324 0.633 0.367 0.889 0.111 1 0 0 0 0 0 0 0.300 0.426 0.646 0.681 0.344 0.363 0.734 0.719 0.679 0.334 0.654 0.417 0.383 0.300 0.700 0.826 0.174 1 0 0 0 0 0 0 0.302 0.428 0.514 0.739 0.283 0.345 0.802 0.766 0.756 0.386 0.599 0.309 0.454 0.567 0.433 0.865 0.135 0 0 0 0 0 0 1 0.305 0.430 0.528 0.761 0.311 0.291 0.798 0.882 0.883 0.219 0.773 0.190 0.532 0.767 0.233 0.747 0.253 0 0 0 0 0 0 1 0.307 0.433 0.628 0.737 0.278 0.285 0.890 0.777 0.729 0.156 0.838 0.261 0.486 0.667 0.333 0.694 0.306 0 0 0 0 0 0 1 0.310 0.435 0.552 0.646 0.364 0.360 0.913 0.150 0.086 0.383 0.603 0.492 0.334 0.433 0.567 0.861 0.139 1 0 0 0 0 0 0 0.313 0.437 0.359 0.447 0.400 0.400 0.962 0.208 0.179 0.632 0.344 0.576 0.278 0.400 0.600 0.948 0.052 1 0 0 0 0 0 0 0.315 0.439 0.617 0.778 0.347 0.354 1.000 0.729 0.722 0.353 0.634 0.379 0.408 0.700 0.300 0.861 0.139 0 0 0 0 0 0 1 0.318 0.441 0.443 0.722 0.341 0.343 0.650 0.784 0.744 0.325 0.663 0.381 0.407 0.500 0.500 0.819 0.181 0 0 0 0 0 0 1 0.320 0.443 0.549 0.654 0.343 0.366 0.935 0.889 0.859 0.334 0.654 0.257 0.488 0.633 0.367 0.861 0.139 0 0 0 0 0 0 1
50
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
4.2 深度诊断网络模型训练测试
4.2.1 模型训练测试
本文数据周期为四年，从实际应用层面上，数据涵盖了一条轮对的全寿命数据，具有代表性和规律性，因此，以此为基础训练的模型具有较强泛化能力，有推广价值。
根据数据训练集应大于或等于数据验证集的原则，本文使用随机抽样的方法将数据集U分为两个部分U1及U2，其中三分之二用于训练模型，记为训练数据集U1，三分之一用于验证模型，记为验证数据集U2。
本文所述模型程序是基于Anaconda Navigator 1.6.8软件Spyder 3.2.3（Python 3.6）编译器进行编程并完成训练测试的，Anaconda是一种专注于数据分析的Python发行版本，其中包含了conda、Python等190多个工具包及其软件库，可进行专业的数据计算及分析。其中，本文所述模型的仿真测试程序调用了numpy、tensorflow等软件库。
如3.3小节所述，深度诊断网络模型各层结构为｛17-35-70-35-7｝；对于每层RBM模型，训练学习率均设为0.1，批次处理大小为20，初设训练次数为100；对于深度诊断网络模型，初设微调100次。 4.2.2 模型评价改善
在Spyder 3.2.3（Python 3.6）编译器环境及实验PC硬件环境（Intel Core i5-6200U，CPU 2.3 GHz，RAM 4 GB，GPU Intel HD Graphics 520 and NVIDIA GeForce 920M）下，模型无监督训练、有监督微调及模型验证的时间消耗如表4.3所示，模型无监督训练、有监督微调及模型验证的误差随训练、微调次数增加而变化的示意图如图4.1所示，本文模型在每次微调后立即代入一组验证数据，由此可清晰看到模型微调过程中模型预测准确率走势，模型验证准确率变化图如图4.3所示。
表4.3 改善前模型训练测试时间消耗表
Table 4.3 Consumption table for model training test time before improvement 耗时（s）
训练测试过程
无监督训练耗时
8166.98±60
有监督微调耗时 1747.94±60
模型验证耗时 1.36±0.1
51
4 模型验证及应用 硕士学位论文
90800.4724603382.6730391679.219854410.50.450.459.778836730.3558.177738340.370无监督训练误差6050403037.308929880.2528.494750360.20.150.10.0224051830.05020100147101316192225283134374043464952555861646770737679828588919497100训练次数第一层误差第二层误差第三层误差有监督微调有监督微调误差 图4.1 改善前模型训练误差随训练次数变化图
Fig. 4.1 Change of training error of training model before training
由表4.3及图4.1可知，模型预训练消耗时间较长，且在训练次数达到一定数值时，训练误差降低缓慢，训练效果不显著，代价过大，故应考虑减少深度诊断网络模型每层RBM模型预训练次数。由图4.1中三层RBM模型预训练误差趋势可知，第一层RBM网络约在训练15次以内，训练效果明显；第二层RBM模型同样约在训练15次以内，训练效果明显；第三层RBM模型则在训练10次以内，训练效果显著，综合考虑，将每层RBM模型训练次数设置为15次。同理，深度诊断网络模型微调在第50次以内，调整效果显著，且模型准确率达到较高水平，而在50次以后微调代价过高，模型准确率出现明显震荡，容易出现“过拟合”，故将深度诊断网络模型微调次数设置为50次。参数调整后重新训练及验证测试，结果如表4.4、图4.2及图4.3所示。
表4.4 改善后模型训练测试时间消耗表
Table 4.4 Consumption time table for model training test time after improvement 耗时（s）
训练测试过程
无监督训练耗时
1509.33±10
有监督微调耗时 992.71±10
模型验证耗时 1.36±0.1
52
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
1401201000.457912599120.29002050.50.450.498.18312461无监督训练误差82.7089203480604020013579111315171921232527293133353739414345474935.5655640162.188181530.30.250.20.150.0469386470.10.05029.53688959训练次数第一层误差第二层误差第三层误差有监督微调有监督微调误差0.35 图4.2 改善后模型训练误差随训练次数变化图
Fig. 4.2 Change of training error of training model after training
0.990.981800020.980.970.960.950.983399987模型准确率0.940.930.920.910.9463999870.93480002915913172125293337414549535761656973778185899397微调次数改善前模型准确率改善后模型准确率 图4.3 改善前后模型验证准确率对比图
Fig. 4.3 Comparison of model validation accuracy before and after improvement
53
4 模型验证及应用 硕士学位论文
对比图4.1、图4.2可以看出，在预训练过程中，改善前后第三层RBM模型（输出层）误差变化不大，在微调过程中，深度诊断网络模型误差相差也不是很大；从图4.3可以看出，改善后模型准确率与改善前基本一致；对比表4.3及表4.4，改善后模型训练及微调时间大幅减少，综上所述，改善后的模型在训练代价较小的前提下保证了训练后模型的输出准确度，因此模型训练参数最终确定为：
深度诊断网络模型各层结构为｛17-35-70-35-7｝；对于每层RBM模型，训练学习率均设为0.1，批次处理大小为20，训练次数为15；对于深度诊断网络模型，微调50次。
事实上，除可调整模型训练次数及模型微调次数以优化模型外，模型其他参数对模型都有影响，本文不一一讨论优化。
4.3 其他常用故障诊断模型对比
4.3.1 基于KNN和ANN-BP的故障诊断模型对比
除了1.2.3所述几种深度学习算法外，还有其它几种研究应用较为广泛的基于机器学习算法的故障诊断模型。为了检验本文所研究的深度诊断网络模型是否优于其他常用故障诊断模型，本文选取了K最近邻（K-nearest neighbor, KNN）分类算法和BP人工神经网络（artificial neural network with back propagation learning， ANN-BP）等两种算法用于对比分析，这两种诊断方法都是交通运输领域中常用的故障诊断方法。
KNN是模式识别中的一种基础的分类器，它在训练集中找到一组最接近测试对象的k个对象，并且基于该邻域中特定类的优势来分配标签。为了将KNN方法用于城市轨道交通车辆轮对的故障诊断，首先需要将运用维修决策向量f（二进制编码）转换为十进制值。然后利用KNN方法对这些故障数据进行分类。需要说明的是，由于KNN是一种分类方法，它只能判断模型输出是否与原始数据集中的结果完全相同。
BP人工神经网络是利用误差反向传播算法训练神经元权重的典型模型。BP人工神经网络结构相对简单，因此被广泛应用于非线性连续函数拟合和模式识别。通常，ANN-BP包括若干层，即输入层、输出层和隐藏层。如果输出不能满足预期，则误差被反向传播以更新每个神经元的权重以减少训练误差。 4.3.2 模型训练及验证结果对比分析
为保证验证结果的可对比性，采用与4.1、4.2小节相同的轮对历史数据集训练及验证KNN、ANN-BP等模型。在本研究中，ANN-BP结构为：具有一个输入层、一个输出层和两个隐藏层，其中每个隐藏层中的默认节点数分别设置为35和35。
在Matlab软件环境及实验PC硬件环境（Intel Core i5-6200U，CPU 2.3 GHz，RAM 4 GB，GPU Intel HD Graphics 520 and NVIDIA GeForce 920M）下，KNN、ANN-BP模
54
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
型训练结果如表4.5所示，模型验证准确率如表4.6所示。
表4.5 KNN、ANN-BP模型训练结果表
Table 4.5 Training Result Table of KNN and ANN-BP Model 模型 耗时（s）
误差 KNN 660.4±60 0.152 表4.6 KNN、ANN-BP模型验证准确率表
Table 4.6 Verification Accuracy Table of KNN and ANN-BP Model 模型 准确率 KNN 0.848 ANN-BP 0.8478 ANN-BP 6781.8±60 0.175 由4.2小节及表4.5、表4.6所述，对于城市轨道交通车辆轮对故障诊断及预测，KNN模型训练耗时显著低于ANN-BP模型及DBN模型，而训练误差KNN模型及ANN-BP模型显著高于DBN模型，训练完成后，使用验证集测试发现三种模型准确率排序由高至低为：DBN模型、KNN模型、ANN-BP模型。
影响KNN性能的主要因素是如何选择k值来表示要选择的临近对象的数量。实验发现，当k的值在[1，17]内改变时，故障诊断精度C2平稳地从74%变化到89%。然而，尽管KNN在城市轨道交通车辆故障诊断方面相对有效，但是无论怎样选择k值，其诊断精度都不是很令人满意。
因此，对于城市轨道交通车辆故障诊断，DBN模型比ANN-BP模型、KNN模型具有更好的性能。此外，DBN模型在不同的参数设置下都能够获得良好的故障诊断性能，这对于DBN模型在城市轨道交通车辆实际运行中的应用是有益的。
4.4 深度诊断网络模型的应用
车辆设备故障诊断研究是研发城市轨道交通车辆智能运维系统的基础，训练好的深度诊断网络模型作为一种城市轨道交通车辆深度诊断网络模型，是城市轨道交通车辆智能诊断系统的核心，其具体应用主要分为单影响因素应用及综合应用两大部分，分别表现为对车辆轮对运用维修周期给出理论支持、实现车辆轮对智能运维。 4.4.1 轮对运用维修指导
本文通过对已训练好的城市轨道交通车辆深度诊断网络模型输入同线路其他车辆全生命周期内轮对磨损量测量数据的方式，获得轮对各故障判定项与轮对运维策略对应关系如图4.4所示。
55
4 模型验证及应用 硕士学位论文
444546 90 100101 152615701600 单位：d
a）与运行周期T相关的运维决策图
1536416000 15788317883136432000 4788050000 777840793640 800000 49788单位：km
b）与运行里程M相关的运维决策图
0.08 0.010单位：mm
c）与轮缘高度Sh1及Sh2相关的运维决策图
0.260.0250 单位：mm
d）与轮缘厚度Sd1及Sd2相关的运维决策图
0.020.010 单位：mm
e）与同轴轮缘高度差ΔSh相关的运维决策图
0.770.0250单位：mm
f）与轮径D相关的运维决策图
0.240.0240 单位：mm
g）与轮缘角qR11、qR12、qR21及qR22相关的运维决策图
10.030单位：mm
h）与轮对内测距L1及L2相关的运维决策图
56
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
1.10.040单位：mm
i）与同轴轮对内测距及对应两轮轮缘厚度之和δ1及δ2相关的运维决策图
注：上图中绿色代表正常运用，浅绿色代表预调整，紫色代表调整，橙色代表预镟轮，黄色代表镟轮，红色代表预更换，深红色代表更换
图4.4 轮对各故障项与轮对运维策略对应关系图
Fig. 4.4 Relation diagram of wheelset fault and wheelset operation and maintenance strategy
城市轨道交通车辆智能运维系统是一个复杂综合系统，涉及专业多，落地成本大，研发实施周期长，且车辆现有运用维修策略向智能运维转变需要有一定时间的过渡期缓冲。在缓冲期，城市轨道交通车辆运用及维修部门可整合架构及资源，使原有车辆运用维修职能分离逐步向运维一体化转变。而图4.4给出的各判定项与运维决策关系可为缓冲期车辆轮对延长在线运用时间，科学及时安排离线维修提供理论支持，改善原车辆轮对严重过修的情况，使其转变为基于轮对磨损量的预测性维修。 4.4.2 模型综合应用
本文所述模型是以车辆轮对运用维修为例，给出了搭建城市轨道交通车辆深度诊断网络的方法及其训练算法，为实现城市轨道交通车辆智能运维提供了基础。本文所述深度诊断网络模型泛化能力强，对具有同一规律的训练集数据，经过训练的网络同样能给出理想的输出，因此，模型可推广应用至整个车辆系统。在实际应用中，可针对不同车辆设备系统自身特点，设计不同的深度诊断网络模型。
作为城市轨道交通车辆智能运维系统重要组成部分，本文所述模型可实现对车辆运行状态的实时健康评估及实时故障决策。在车辆设备自动监测系统采集并初步处理设备运行状态数据后，数据按4.1小节所述进行归一化处理，使数据分布在[0，1]范围内，且各输入节点数据标准差等于1，归一化处理后的数据按3.1小节所述的不同车辆设备系统分别打包传输给相应的故障诊断网络模型，经模型计算后直接输出设备运维策略，并将运维策略输出至可视界面供工程师参考，同时将运维决策与资产管理系统链接，自动给出管理维修计划及备品备件采购计划等，为工程师及一线检维修人员决策提供参考。
同时，由于车辆设备寿命长，为保证模型长期稳定可靠，可定期从系统数据仓库中按设备类型随机抽取数据样本输入网络中训练更新，并将新模型存入系统数据仓库及分析中心中，以供调用。
总的来说，本文所述模型为打破车辆原有维修模式，实现车辆设备预测性维修提供了可能性，实现车辆设备状态在线实时评估提供了理论支持。
57
4 模型验证及应用 硕士学位论文
4.5 本章小结
本文在第三章提出的模型理论基础上，结合实际数据，分析处理了实例数据，给出了模型训练测试的软件及硬件条件，并详细说明了模型训练参数选取，验证了模型的准确性。此外，选取了交通运输领域常用的两种故障诊断方法与本文所述深度诊断模型做了对比，进一步证明了深度诊断模型性能较为优越。最后，从单影响因素应用及综合应用两方面给出了模型在离线应用及在线应用场景，同时简单描述了城市轨道交通车辆智能运维系统实施的可能性和技术路线。
58
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
5 总结与展望
5.1 研究主要工作及成果
城市轨道交通以安全、准时、快速、便捷的特点吸引了城市大部分客流量，对城市轨道交通车辆运用维修优化研究，不仅可以延长车辆使用寿命，提高车辆正线运营时间，缓解网络化运营车辆调度压力，提升运营服务质量；同时还可以减少车辆运用维修人力、物力、财力的浪费，优化城市轨道交通运营服务企业内部对车辆设备运用维修架构，降低管理成本，获得更高的投入产出比。论文在对城市轨道交通车辆智能诊断系统研究过程中，设计了城市轨道交通车辆智能诊断系统框架，总结了车辆智能诊断系统需求，以车辆轮对为例搭建了深度诊断网络模型，给出了训练算法及应用。论文的主要工作总结如下：
（1）在阅读大量文献及实地调研的基础上，阐述了城市轨道交通车辆智能诊断系统概念、系统需求、系统设计工作流程、系统技术框架及系统关键技术，明确了研究城市轨道交通智能诊断系统核心算法的目标。最后说明了系统可拓宽至城市轨道交通车辆智能运维系统，搭建了智能运维系统基本框架，并阐述了智能运维系统中各功能系统之间的联系与分工。
（2）通过对车辆设备状态特征及相应维修决策分析，提取车辆设备特征向量及决策向量，并以车辆轮对为例，以轮对磨损量为输入特征向量，轮对运维决策为输出决策向量，引入了预维修的概念，搭建符合车辆轮对数据特征的深度信念网络模型。模型采用对比发散算法作为模型训练算法，使用吉布斯采样进行迭代计算求解，并给出RBM模型及DBN模型具体训练算法。
（3）结合轮对磨损量数据特点及模型输入层要求，对数据进行处理使其满足深度诊断网络模型输入要求。依据模型训练算法编写程序，说明了模型训练参数选取，最终训练并验证了模型的准确性。此外，选取了交通运输领域常用的两种故障诊断方法与本文所述深度诊断模型做了对比，进一步证明了深度诊断模型性能较为优越。最后，从单影响因素应用及综合应用两方面给出了模型在离线应用及在线应用场景，同时简单描述了城市轨道交通车辆智能运维系统实施的可能性和技术路线。
5.2 研究创新点
本文在基于深度信念网络的城市轨道交通车辆智能诊断系统研究中，有以下几个创新点：
59
5 总结与展望 硕士学位论文
本文将深度学习方法用于城市轨道交通车辆设备诊断研究上来，初步搭建了城市轨道交通车辆智能诊断系统框架，对系统平台开发具有借鉴意义；以GBRBM模型及BBRBM模型为基本结构，建立了适用于城市轨道交通车辆的深度诊断网络模型，为车辆轮对运用维修一体化及其预测性维修提供理论支持。
5.3 研究展望
城市轨道交通车辆运用维修模式内容复杂，涉及范围广泛，影响因素众多，限于学识浅薄及时间限制，本文对城市轨道交通车辆智能诊断系统研究不够充分，以下内容上还需要进一步的学习和研究：
（1）文中数据主要来源于车辆下线回库后，一线班组人员离线测量的历史数据，在日后的研究中，可以借助先进传感技术，对车辆设备状态进行实时监测，获取更贴合车辆运行的实时状态数据，作为训练集对模型进行更新，得到更加精确的模型，使故障诊断决策更加精准。
（2）本文在城市轨道交通车辆轮对故障诊断研究中，考虑了部分影响因素，影响因素选取的全面性、代表性及有效性有待于进一步研究和提高。
（3）文中采用深度信念网络模型作为城市轨道交通车辆智能诊断系统核心模型，在日后研究中，可对比不同深度学习算法在城市轨道交通车辆故障诊断领域的表现，选取最佳模型，并更新智能诊断系统模型库。
本论文虽取得一定成果，但介于本人理论知识水平有限，仍存在问题与不足，敬请老师、专家、读者批评指正。
60
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
致谢
毕业论文的书写已经接近尾声，起身侧立于窗前，此时的校园静谧，窗外细雨连绵。微风拂过，我仰望夜空，漆黑的夜等待倾听。是的，此时我的内心正在独白，只是又有一丝酸楚。不禁感叹岁月荏苒，时光飞逝，两年半的研究生生涯即将接近尾声，而我也将暂时告别单纯的校园生活，开启新的人生篇章。再回首，往事依旧。我在南京理工大学所经历的每一分每一秒似乎都历历在目，清晰可见，若天下没有不散的筵席，此刻我唯有感激，感谢你们出现在我的生命里，让我今生拥有，倍加珍惜。
首先要特别感谢我的导师徐永能副教授。研究生近三年时光，徐老师既是我的导师，在学术科研上对我悉心指导，也如父亲般对我照顾颇多，更是在为人处世上给予了我宝贵的财富。徐老师乐观宽容的性格、积极坚定的态度、踏实敬业的精神和热心友善的为人，时时刻刻激励着我，感染着我，让我能够直面挫折，时刻保持年轻的朝气和拼搏到底的精神。徐老师是我一生学习的榜样。
由衷的感谢南京理工大学自动化学院交通工程系的老师们，曹从咏教授、刘英舜老师、陈新老师、胡启洲老师、周竹萍老师、叶茂老师、郭唐仪老师、王学慧老师、陈征老师、朱周老师、吕建国老师、何赏璐老师，老师们渊博的学识、丰富的经验，课堂之上谆谆的教诲仍然徘徊在耳旁，指引我在未来的工作学习中不断完善自我！
在此，对我的同门们表达我诚挚的感激，感谢丹哥在我还是小白时的照顾，感谢蒋涛师兄带我入门做项目，感谢张立师兄、杨继伟师兄、宗佳晨师兄对我学术科研上的帮助，感谢所有提到未提到的师兄师姐们一直以来的关怀和照顾。同时也要感谢师弟师妹们的帮助和支持，预祝大家学业有成！
感谢我的家人，无私的支持我鼓励我，让我能够有机会走到这里，感谢你们二十几年来对我的培养、教育和照顾。感谢我的女朋友，长久以来关心支持我，在我写论文期间对我生活上无微不至的照顾和鼓励，让我能够全身心的投入到论文撰写中，是你给予了我奋斗的决心和对美好生活的向往。
最后感谢各位评审老师百忙之中的评阅，并向文中引用文献的作者们致以诚挚的谢意!
61
致谢 硕士学位论文
62
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
参考文献
[1] 中国城市轨道交通协会. 城市轨道交通2017年度统计和分析报告[R], 北京: 2018. [2] 中国城市轨道交通协会. 城市轨道交通2016年度统计和分析报告[R], 北京: 2017. [3] 詹炜,徐永能,王依兰. 城市轨道交通车辆智能运维系统应用研究[J].城市公共交
通,2018.(12)：28-31.
[4] 向宇. 设备备件管理及预防性维护管理系统设计与实现[D]. 西安：电子科技大学,
2015.
[5] 张风鸣,惠晓滨.航空设备故障诊断学[M].北京,国防工业出版社,2010.6：6-9. [6] 温熙森.模式识别与状态监控[M].北京,科学出版社,2007.10：2-4.
[7] Beard R V. Failure Accommodation in Linear Systems through Self-reorganization [D].
Department of Aeronautics and Astronautics, MIT, USA, 1971.
[8] Willsky A S.A survey of design methods for failure detection in dynamic systems [J].
Automatica,1976,12(6):601-611.
[9] Isermann R. Process fault detection based on modelling and estimation method-a survey
[J]. Automatica, 1984, 20(4):387-404.
[10] Chen C, Zhang B, Vachtsevanos G, Orchard M. Machine condition prediction based on
adaptive neuro-fuzzy and high-order particle filtering [J].IEEE Transactions on Industrial Electronics,2011,58(9):4353-4364.
[11] Caceres S, Henley E J. Process failure analysis by block diagrams and fault trees
[J].Industrial and Engineering Chemistry, Fundamentals, 1976, 15(2):128-134.
[12] Iri M, Aoki K, O’Shima E, Matsuyama H. An algorithm for diagnosis of system failures in
the chemical process [J].Computers and Chemical Engineering, 1979, 3(1-4):489-493. [13] Umeda T, Kuriyama T, O’Shima E, Matsuyama H.A graphical approach to cause and effect
analysis of chemical processing systems [J]. Chemical Engineering Science, 1980, 35(12):2379-2388.
[14] Kramer M A, Palowitch B L.A rule based approach to fault diagnosis using the signed
directed graph [J]. American Institute of Chemical Engineers Journal, 1987, 33(7):1067-1078.
[15] Han C, Shih R, Lee L. Quantifying signed directed graphs with the fuzzy set for fault
diagnosis resolution improvement [J]. Industrial and Engineering Chemistry Research, 1994, 33(8):1943-1954.
[16] Vedam H, Venkatasubramanian V. Signed digraph based multiple fault diagnosis [J].
Computers and Chemical Engineering, 1997, 21: 655-660.
[17] Kim H, Lee K. Fuzzy implications of fuzzy cognitive map with emphasis on fuzzy causal
63
参考文献 硕士学位论文
relationship and fuzzy partially causal relationship [J].Fuzzy Sets and Systems, 1998, 97(3):
303-313.
[18] Yang F Xiao D Y. Model and fault inference with the flame work of probabilistic SDG. In:
Proceedings of the 9th International Conference on Control, Automation, Robotics, and Vision. Piscataway, USA: IEEE, 2006: 1-6. [19] Dokas I M, Karras D A, Panagiotakopoulos D C. Fault tree analysis and fuzzy expert
systems: early warning and emergency response of landfill operations [J].Environmental Modelling and Software, 2008, 24(1):8-25.
[20] Venkatasubramanian V. Towards a specialized shell for diagnostic expert systems for
chemical process plants [J]. Journal of Loss Prevention in the Process Industries, 1988, 1(2): 84-91.
[21] Basila M Jr, Stefanek G, Cinar A. A model-object based supervisory expert system for fault
tolerant chemical reactor control [J]. Computers and Chemical Engineering, 1990, 14 (4-5): 551-560.
[22] Zhao J, Chen B, Shen J.A hybrid ANN-ES system for dynamic fault diagnosis of
hydrocracking process [J]. Computers and Chemical Engineering, 1997, (21): 929-933. [23] Abbas M, Vachtsevanos G. An Energy Flow Approach to Fault Propagation
Analysis[C].2009 IEEE Aerospace Conference Proceedings, 2009: 1-13.
[24] 谢晖. 基于小波阈值滤波和神经网络的滚动轴承智能化[D]. 成都:西南交通大学,
2009.
[25] 冯帅. 地铁列车走行部滚动轴承故障诊断与剩余寿命预测研究[D]. 北京:北京交通
大学, 2016.
[26] 闫鹏程,孙华刚,毛向东等.基于EMD与SVD的齿轮箱分形诊断方法研究[J].电子测量
与仪器学报,2012,26(5):404-412
[27] 李晗,萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策,2011,26(1):1-16. [28] 张可,周东华,柴毅.复合故障诊断技术综述[J].控制理论与应用,2015,32(9):1143-1157. [29] 丁国君.动车组制动控制系统故障诊断方法研究[D].北京交通大学,2013. [30] 史芸铭.基于Petri网的地铁车辆远程故障诊断系统研究[D].北京交通大学,2017. [31] 董锡明.机车车辆运用可靠工程[M],北京:中国铁道出版化,2004. [32] 宋伟.广州地铁1号线故障诊断系统研究[D].北京交通大学,2008.
[33] 邵一琨.基于模糊逻辑的地铁列车牵引供电系统关键结构故障诊断[D].北京交通大
学,2011.
[34] 李瑞璟,滕青芳.模糊贝叶斯决策在ATP车载设备故障诊断中的应用研究[J].铁道标准
设计,2015(7):147-152.
[35] 涂继亮,潘洪亮等.融合粗糙集和证据理论的车地无线通信设备故障诊断[J].同济大学
64
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
学报（自然科学版）.2011,39(6):870-873,923.
[36] 吴渊．基于BP神经网络的车载设备故障诊断与预测研究[D].北京:北京交通大
学,2016.
[37] 王峰.基于文本挖掘的高铁车载设备故障诊断方法研究[D].北京:北京交通大学,2016. [38] 杨嘉明.基于LSTM-BP神经网络的列控车载设备故障诊断方法[D].北京:北京交通大
学,2018.
[39] 陈双.基于图像处理的受电弓故障捡测算法硏究[D].南京:南京理工大学,2017. [40] 王锋涛.地铁车辆轮对踏面故障诊断系统研究与开发[D].广州:广东工业大学,2018. [41] 刘建强,赵治博,章国平等.地铁车辆转向架轴承故障诊断方法研究[J].铁道学
报,2015,37(1):30-36.
[42] 程心平.地铁车辆走行部故障诊断系统的应用与探讨[J].铁道车辆,2017,55(3):38-41 [43] 黄晓鹏,敖银辉,覃杰.模糊熵在地铁车辆平轮故障诊断中的应用研究[J].城市轨道交
通研究,2017(3):80-84.
[44] Zhao X, Tang X, Zhao J, et al. Fault diagnosis of asynchronous induction motor based on
BP neural network[C]. International Conference on Measuring Technology and Mechatronics Automation.2010:236-239.
[45] 张亚楠,魏武,武林林.基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断
[J].电力自动化设备,2010,30(1):87-91.
[46] Lei Y, Jia F, Lin J, et al. An intelligent fault diagnosis method using unsupervised feature
learning towards mechanical big data [J]. IEEE Transactions on Industrial Electronics, 2016, 63(5):3137-3147.
[47] G E. Hinton, S Osindero, Y W Teh. A fast learning algorithm for deep belief nets [J]. Neural
Computation, 2006, 18(7): 1527-1554.
[48] G E Hinton, R R Salakhutdinov. Reducing the dimensionality of data with neural networks
[J]. Science, 2006, 313(5786): 504-507
[49] G E. Hinton. A Practical Guide to Training Restricted Boltzmann Machines [J]. Neural
Networks: Tricks of the Trade pp, 2012: 599–619.
[50] Feng Jia, Yaguo Lei, Jing Lin, et al. Deep neural networks: A promising tool for fault
characteristic mining and intelligent diagnosis of rotating machinery with massive data [J]. Mechanical Systems and Signal Processing, 2016(S72-73): 303-315.
[51] Yu Dong, Deng Li. Deep learning and its applications to signal and information processing
[J]. IEEE Signal Processing Magazine, 2011, 28(1): 145-154
[52] Prasanna Tamilselvan, Pingfeng Wang. Failure diagnosis using deep belief learning based
health state classification [J]. Reliability Engineering and System Safety, 2013, 115(7):
65
参考文献 硕士学位论文
124-135,
[53] Van Tung Tran, Failsal AlThobiani, Andrew Ball. An approach to fault diagnosis of
reciprocating compressor valves using Teager-Kaiser energy operator and deep belief networks [J]. Expert Systems with Applications, 2014, 41(9): 4113-4122.
[54] Haidong Shao, Hongkai Jiang, Xun Zhang, et al. Rolling bearing fault diagnosis using an
optimization deep belief network [J]. Measurement Science and Technology, 2015, 26(11): 115002.
[55] Xingqing Wang, Yanfeng Li, Ting Rui, et al. Bearing fault diagnosis method based on
Hilbert envelope spectrum and deep belief network [J]. J of Vibroengineering, 2015, 17(3): 1295-1308.
[56] Zhiqiang Chen, Chuan Li, René-Vinicio Sánchez. Multi-layer neural network with deep
belief network for gearbox fault diagnosis [J]. J of Vibroengineering, 2015, 17(5): 2379-2392.
[57] 赵光权,葛强强,刘小勇,等.基于 DBN的故障特征提取与诊断方法研究 [J].仪器仪表
学报, 2016, 37(9):1946-1953.
[58] 单外平, 曾雪琼. 基于深度信念网络的信号重构与轴承故障识别[J]. 电子设计工程,
2016, 24(4): 67-71
[59] 李巍华, 单外平, 曾雪琼. 基于深度信念网络的轴承故障分类识别[J]. 振动工程学
报, 2016, 29(2): 340-347.
[60] Hai B Huang, Xiao R Huang, Ren X Li, et al. Sound quality prediction of vehicle interior
noise using deep belief networks [J]. Applied Acoustics, 2016, 113: 149-161.
[61] 张新伯, 唐炬, 潘成等.用于局部放电模式识别的深度置信网络方法 [J]. 电网技术,
2016, 40(10): 3272-3278.
[62] Chen Lu, Zhenya Wang, Bo Zhou. Intelligent fault diagnosis of rolling bearing using
hierarchical convolutional network based health state classification [J]. Advanced Engineering Informatics, 2017, 32: 139-151.
[63] Junhua Sun, Zhongwen Xiao, Yanxia Xie. Automatic multi-fault recognition in TFDS
based on convolutional neural network [J]. Neurocomputing, 2017, 222: 127-136. [64] Jiewu Leng, Pingyu Jiang. A deep learning approach for relationship extraction from
interaction context in social manufacturing paradigm [J]. Knowledge-Based Systems,2016, 100(C): 188-199.
[65] 孙文珺,邵思羽,严如强.基于稀疏自动编码深度神经网络的感应电动机故障诊断[J].
机械工程学报, 2016,52(9): 65-71.
[66] Faa-jeng Lin, I-fan Sun, Kai-jie Yang, et al. Recurrent fuzzy neural cerebellar model
66
硕士学位论文 基于深度学习的城市轨道交通车辆智能诊断系统研究
articulation network fault-tolerant control of six-phase permanent magnet synchronous motor position servo drive [J]. IEEE Trans on Fuzzy Systems, 2016, 24(1): 153-167. [67] Tim de Bruin, Kim Verbert, Robert Babuska. Railway track circuit fault diagnosis using
recurrent neural networks [J]. IEEE Trans on Neural Networks and Learning Systems, 2017, 28(3): 523-533.
[68] 雷亚国,陈吴,李乃鹏等.自适应多核组合相关向量机预测方法及其在机械设备剩余寿
命预测中的应用[J].机械工程学报, 2016, 52(1):87-93.
[69] 潘罗平.基于健康评估和劣化趋势预测的水电机组故障诊断系统研究[D].北京:中国
水利水电科学研究院, 2013.
[70] 赵申坤,姜潮,龙湘云.一种基于驱动数据和贝叶斯理论的机械系统剩余寿命预测方法
[J].机械工程学报,2018,52（12）:115-124.
[71] GB50157-2003. 地铁设计规范[S]. 中华人民共和国住房和城乡建设部, 2003:9-10. [72] 于丹丹. 基于可靠性的城市轨道交通车辆架修模式优化及方法研究[D]. 南京:南京
理工大学, 2017.
[73] 刘蓉. 城轨车辆设备维修策略优化与决策模型[D]. 北京:北京交通大学,2010. [74] 何霖. 城市轨道交通车辆架大修管理[M]. 北京:中国劳动社会保障出版社, 2014.8:4-5.
[75] 刘述芳,徐永能,乔侨.大型装备健康诊断和智能维护管理系统概述[J].兵器装备工程
学报,2017(12) : 297-300,304.
[76] McCulloch, W.S, W. Pitts. A logical calculus of the ideas immanent in nervous activity [J].
Bulletin of Mathematical Biophysics, 1943. 5(4):115-133.
67
附录 硕士学位论文
附录
攻读硕士学位期间参加的科学研究情况：
（1）2016.07 阜阳城乡公交一体化改造项目 一般参与 （2）2016.07-2017.01 精益化生产推进及项目化运作研究咨询项目 主要参与 （3）2016.09 基于最大覆盖模型的南京地铁供电应急管理研究项目 一般参与 （4）2016.09-2016.12 西安地铁网络化运营成本分析关键技术开发项目 一般参与 （5）2016.11-2017.04 基于全寿命周期的设施设备高级修程创新研究项目 主要参与 （6）2017.06-2017.12 南京地铁网络化运营委外维保模式深化研究项目 主要参与 （7）2017.05-2018.12 南京地铁架大修精益生产咨询项目 主要负责 （8）2017.09-2018.05 基于车辆全寿命周期的生产质量管控体系优化项目 主要负责 （9）2018.05-2018.12 基于车辆全寿命周期的生产质量管控体系优化项目 主要参与
攻读硕士学位期间发表的论文情况：
发表论文情况
（1）詹炜,徐永能,王依兰. 城市轨道交通车辆智能运维系统应用研究[J].城市公共交通,2018.(12)：28-31.
专利申请与受理情况
（1）一种高速公路沿线地震检测和预警装置及方法，专利申请号：201811107449.2，申请人排序：第三发明人；（发明类专利，已受理）
（2）基于物联网的电动汽车智能停车系统及管理办法，专利申请号：201710548569.5，申请人排序：第五发明人；（发明类专利，已受理）
68
因篇幅问题不能全部显示，请点此查看更多更全内容