【動(dòng)車組智能故障診斷及檢修方法探究綜述6400字】

動(dòng)車組智能故障診斷及檢修方法研究綜述目錄TOC\o"1-2"\h\u6007動(dòng)車組智能故障診斷及檢修方法研究綜述 14097摘要 175571.動(dòng)車組關(guān)鍵部件狀態(tài)檢測(cè)和故障診斷研究現(xiàn)狀 2294412.動(dòng)車組檢修計(jì)劃與檢修決策研究現(xiàn)狀 436183.文獻(xiàn)總結(jié) 526871參考文獻(xiàn) 6摘要我國(guó)高速動(dòng)車組運(yùn)行速度已經(jīng)達(dá)到350km/h，未來(lái)5年有望達(dá)到400km/h，截至2020年底，高速鐵路里程已達(dá)3.8萬(wàn)公里，動(dòng)車組擁有量為3918標(biāo)準(zhǔn)組，到2030年，八縱八橫的高速鐵路格局將基本達(dá)成，運(yùn)營(yíng)里程達(dá)到6萬(wàn)公里，高速動(dòng)車組將達(dá)到5000組以上。運(yùn)行速度的提高和運(yùn)用規(guī)模的增長(zhǎng)，使得高速動(dòng)車組服役可靠性、檢修效率與經(jīng)濟(jì)性愈加受人關(guān)注。在此背景下，如何充分利用海量的動(dòng)車組歷史數(shù)據(jù)和檢修經(jīng)驗(yàn)，深入挖掘動(dòng)車組關(guān)鍵部件的性能保持、檢修決策與服役環(huán)境、檢修影響因素的內(nèi)在聯(lián)系，提升動(dòng)車組安全運(yùn)營(yíng)保障能力和服役性能保持能力、降低檢修成本、提高檢修效率，成為了業(yè)界關(guān)注的焦點(diǎn)和熱點(diǎn)。關(guān)鍵詞：動(dòng)車組；智能檢修；故障診斷；高速動(dòng)車組關(guān)鍵部件（鐵總運(yùn)輛動(dòng)車函[2013]362號(hào)文件規(guī)定）種類多樣，覆蓋制動(dòng)、牽引、電氣及配電盤、空調(diào)、網(wǎng)絡(luò)、轉(zhuǎn)向架、輔助供電及高壓供電系統(tǒng)8個(gè)子系統(tǒng)，具有服役環(huán)境復(fù)雜、單次運(yùn)行時(shí)間長(zhǎng)等特征[1]?，F(xiàn)有檢修模式根據(jù)關(guān)鍵部件的一般磨損規(guī)律和技術(shù)狀態(tài)，按固定檢修周期，對(duì)部件進(jìn)行維護(hù)、檢查和修理，以保證設(shè)備長(zhǎng)期處于良好的技術(shù)狀態(tài)（以下簡(jiǎn)稱計(jì)劃修），存在檢修計(jì)劃粗放、過度檢修、庫(kù)存占用資金多的問題[2]。因此，鐵路運(yùn)用部門正在探索預(yù)測(cè)性的檢修模式[3]（以下簡(jiǎn)稱預(yù)測(cè)性維修），將故障預(yù)測(cè)與健康管理（PrognosticsandHealthManagement,PHM）和動(dòng)車組關(guān)鍵部件檢修業(yè)務(wù)深度融合，對(duì)關(guān)鍵部位進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷，判定所處的狀態(tài)，預(yù)測(cè)狀態(tài)未來(lái)的發(fā)展趨勢(shì)，針對(duì)性制定檢修計(jì)劃，確定檢修的時(shí)間、內(nèi)容、方式、必需的技術(shù)和物資支持。目前，軸箱軸承、齒輪箱、電機(jī)等旋轉(zhuǎn)件已經(jīng)具備了預(yù)測(cè)性維修的條件，車體、構(gòu)架、輪對(duì)等承載結(jié)構(gòu)件監(jiān)測(cè)技術(shù)尚在探索中，仍需通過固定修程的計(jì)劃修保證服役過程的可靠性。本文重點(diǎn)圍繞風(fēng)險(xiǎn)預(yù)判防范和計(jì)劃預(yù)防兩部分內(nèi)容深入展開，建立關(guān)鍵部件在線監(jiān)測(cè)與狀態(tài)預(yù)測(cè)模型、故障診斷模型、高級(jí)修計(jì)劃預(yù)測(cè)模型、高級(jí)修計(jì)劃優(yōu)化模型，通過預(yù)測(cè)高速動(dòng)車組關(guān)鍵部件狀態(tài)和制定動(dòng)車組高級(jí)修計(jì)劃，實(shí)現(xiàn)部件的安全保障和能力保持，提升服役可靠性，提高動(dòng)車組檢修效率與精準(zhǔn)度，降低整體維護(hù)成本。1.動(dòng)車組關(guān)鍵部件狀態(tài)檢測(cè)和故障診斷研究現(xiàn)狀作為新世紀(jì)非常有前途的軍民兩用技術(shù)，PHM技術(shù)廣泛應(yīng)用于航空航天、風(fēng)電、核能及石油探測(cè)等多個(gè)領(lǐng)域。近年來(lái)，國(guó)家鐵路集團(tuán)已開展高級(jí)修里程周期延長(zhǎng)試驗(yàn)研究，以CRH2A和CRH380A型動(dòng)車組的三級(jí)修為例，檢修周期延長(zhǎng)了一倍。隨著動(dòng)車組檢修周期的延長(zhǎng)，加劇了動(dòng)車組檢修任務(wù)由被動(dòng)反應(yīng)向主動(dòng)預(yù)防轉(zhuǎn)變的緊迫性。突破高速動(dòng)車組關(guān)鍵部件狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)難點(diǎn)，是實(shí)現(xiàn)動(dòng)車組部件主動(dòng)預(yù)防的必要手段。目前，高速動(dòng)車組部件的故障診斷和預(yù)測(cè)主要集中于軸箱、齒輪箱、牽引電機(jī)等關(guān)鍵部件。在動(dòng)車組關(guān)鍵部件狀態(tài)預(yù)測(cè)技術(shù)研究方面，文獻(xiàn)[4]通過比較軸箱軸承溫度是否達(dá)到閾值，作為高速動(dòng)車組軸箱軸承溫度檢測(cè)系統(tǒng)是否報(bào)警的判斷依據(jù)。文獻(xiàn)[5]采用GM(1,1)理論進(jìn)行軸承溫度預(yù)測(cè)算法。文獻(xiàn)[6]提出一種"雙智能診斷單元+雙通道傳感器"方案處理傳統(tǒng)動(dòng)車組軸承監(jiān)測(cè)盲區(qū)問題。文獻(xiàn)[7]將神經(jīng)網(wǎng)絡(luò)方法用于軸承故障診斷及軸承壽命預(yù)測(cè)等領(lǐng)域，結(jié)果良好。文獻(xiàn)[8]利用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)動(dòng)車組軸承的磨損程度。文獻(xiàn)[9]建立齒輪箱異常檢測(cè)模型，對(duì)比異常點(diǎn)溫度趨勢(shì)和溫差趨勢(shì)實(shí)現(xiàn)故障預(yù)測(cè)。文獻(xiàn)[10]將動(dòng)車組運(yùn)營(yíng)中的狀態(tài)監(jiān)測(cè)數(shù)據(jù)與機(jī)器學(xué)習(xí)算法結(jié)合，實(shí)現(xiàn)動(dòng)車組牽引電機(jī)故障預(yù)測(cè)。文獻(xiàn)[11]基于改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)動(dòng)車組牽引電機(jī)的故障預(yù)測(cè)。文獻(xiàn)[12]提出了基于深度堆疊去噪自編碼器累積和時(shí)滯最小二乘支持向量機(jī)的預(yù)測(cè)方法，實(shí)現(xiàn)高速鐵路牽引電機(jī)滾動(dòng)軸承健康指標(biāo)的預(yù)測(cè)。文獻(xiàn)[13]構(gòu)建了基于極限學(xué)習(xí)機(jī)的制動(dòng)系統(tǒng)預(yù)測(cè)控制算法模型，通過多輸入多輸出的數(shù)據(jù)傳遞，實(shí)現(xiàn)安全、精準(zhǔn)、平穩(wěn)的動(dòng)車組制動(dòng)。文獻(xiàn)[14]設(shè)計(jì)了混沌粒子群算法優(yōu)化的GPC廣義預(yù)測(cè)制動(dòng)系統(tǒng)控制器，實(shí)現(xiàn)給定速度和位移的高速動(dòng)車組制動(dòng)高精度跟蹤。文獻(xiàn)[15]利用徑向基網(wǎng)絡(luò)模型實(shí)現(xiàn)故障類型的預(yù)測(cè)，保障了高鐵輪對(duì)可靠運(yùn)行。在動(dòng)車組關(guān)鍵部件故障診斷技術(shù)研究方面，許多學(xué)者利用軸承試驗(yàn)臺(tái)采集的軸承振動(dòng)信號(hào)開展了大量研究，文獻(xiàn)[16]利用自適應(yīng)變分模態(tài)分解算法解決齒輪箱軸承故障診斷問題。文獻(xiàn)[17]提出了一種基于可延長(zhǎng)使用壽命的新預(yù)測(cè)模型，證明了該方法在動(dòng)車組輪對(duì)軸承故障診斷和預(yù)測(cè)方面的有效性。文獻(xiàn)[18]提出了一種結(jié)合時(shí)域局部均值分解和Teager-Kaiser能量算子的混合時(shí)頻分析方法，用于高速動(dòng)車組軸承的故障診斷。文獻(xiàn)[19]研究了基于粒子群算法的形態(tài)學(xué)濾波方法在鐵路車輛軸承故障診斷中的應(yīng)用。文獻(xiàn)[20]分析約束條件，在信號(hào)分解過程中引入迭代的方法，構(gòu)建軸承復(fù)合故障診斷模型。文獻(xiàn)[21]考慮高速列車結(jié)構(gòu)和運(yùn)行環(huán)境的復(fù)雜性，提出了一種基于多任務(wù)深度學(xué)習(xí)的高速列車軸承溫度異常的診斷方法，實(shí)現(xiàn)了復(fù)雜齒輪箱的故障診斷。文獻(xiàn)[22]利用Adaboost算法進(jìn)行樣本重采樣，構(gòu)建退化模型表征箱體損傷狀態(tài)，實(shí)現(xiàn)齒輪箱箱體的有效故障診斷。文獻(xiàn)[23]建立了基于獨(dú)立成分分析的牽引電機(jī)故障診斷模型。文獻(xiàn)[24]基于改進(jìn)疊層降噪自編碼器算法診斷牽引電機(jī)故障。文獻(xiàn)[25]為了保障動(dòng)車組牽引電機(jī)平穩(wěn)安全運(yùn)轉(zhuǎn)，提出一種粒子群優(yōu)化的支持向量機(jī)故障診斷算法。文獻(xiàn)[26]提出基于凸包頂點(diǎn)的故障診斷方法，解決高速動(dòng)車組制動(dòng)系統(tǒng)空氣制動(dòng)部分的故障診斷問題。文獻(xiàn)[27]提出了一種基于監(jiān)測(cè)數(shù)據(jù)的高速動(dòng)車組制動(dòng)管路故障自動(dòng)診斷分析方法。文獻(xiàn)[28]提出了一種結(jié)合多尺度排列熵和線性局部切空間排列的數(shù)據(jù)驅(qū)動(dòng)方法來(lái)診斷車輛懸架系統(tǒng)的故障。在動(dòng)車組關(guān)鍵部件狀態(tài)檢測(cè)和故障診斷的工程化應(yīng)用方面，文獻(xiàn)[29]采用當(dāng)前流行的大數(shù)據(jù)處理工具構(gòu)建了一種基于大數(shù)據(jù)的高速動(dòng)車組海量數(shù)據(jù)故障分析系統(tǒng)；文獻(xiàn)[30]設(shè)計(jì)了一種多源故障管理平臺(tái)方案,實(shí)現(xiàn)動(dòng)車組多源故障統(tǒng)計(jì)分析、故障預(yù)測(cè)與檢修決策等功能。文獻(xiàn)[31]針對(duì)故障診斷和預(yù)測(cè)計(jì)算復(fù)雜度高、計(jì)算量大的要求，設(shè)計(jì)并開發(fā)了基于多組件的大數(shù)據(jù)分層架構(gòu)體系平臺(tái)，支撐故障預(yù)測(cè)與健康管理業(yè)務(wù)。現(xiàn)階段研究的狀態(tài)檢測(cè)和故障診斷模型多是機(jī)理模型，依賴于機(jī)理知識(shí)和試驗(yàn)臺(tái)采集的信號(hào)數(shù)據(jù)開展融合研究，雖然機(jī)理模型的方法能夠更精確計(jì)算出系統(tǒng)狀態(tài)，但是由于高速動(dòng)車組關(guān)鍵部件結(jié)構(gòu)復(fù)雜，服役環(huán)境等存在很大不確定性，實(shí)際采集的狀態(tài)數(shù)據(jù)與試驗(yàn)臺(tái)數(shù)據(jù)差異性大，難以建立精確的機(jī)理模型。隨著傳感器技術(shù)和網(wǎng)絡(luò)技術(shù)的快速發(fā)展，大量動(dòng)車組運(yùn)維數(shù)據(jù)被收集和存儲(chǔ)，從真實(shí)的運(yùn)維數(shù)據(jù)中挖掘部件的性能退化規(guī)律，分析狀態(tài)數(shù)據(jù)的非均衡特點(diǎn)對(duì)動(dòng)車組關(guān)鍵部件狀態(tài)檢測(cè)和故障診斷準(zhǔn)確率的影響，具有重要的工程應(yīng)用意義，上述參考文獻(xiàn)對(duì)該此類問題的研究較少。2.動(dòng)車組檢修計(jì)劃與檢修決策研究現(xiàn)狀目前，大部分國(guó)家的動(dòng)車組檢修采用固定修程的計(jì)劃修模式。根據(jù)運(yùn)行里程和時(shí)間編制檢修計(jì)劃，確定何時(shí)開展何種檢修策略，通過部件定期維修、更換實(shí)現(xiàn)部件性能與能力的保持。文獻(xiàn)[32]研究不均衡客流分布對(duì)動(dòng)車組部件檢修策略經(jīng)濟(jì)性的影響，建立部件檢修策略動(dòng)態(tài)調(diào)整方法，確定經(jīng)濟(jì)性最佳的預(yù)防檢修策略調(diào)整方法。文獻(xiàn)[33]應(yīng)用遺傳算法對(duì)以檢修時(shí)間和檢修成本為目標(biāo)的分階段計(jì)劃修模型進(jìn)行優(yōu)化，協(xié)調(diào)運(yùn)用與檢修需求。文獻(xiàn)[34]總結(jié)了動(dòng)車組檢修體制發(fā)展概況，針對(duì)現(xiàn)有計(jì)劃修的不足，對(duì)動(dòng)車組的修程修制優(yōu)化給出了建議。文獻(xiàn)[35]提出了一種新穎的混合整數(shù)線性規(guī)劃模型，實(shí)現(xiàn)檢修計(jì)劃的優(yōu)化。文獻(xiàn)[36]開發(fā)了一種使用拉格朗日松弛法的啟發(fā)式算法，應(yīng)用于調(diào)整高速鐵路的維護(hù)計(jì)劃。檢修計(jì)劃的主要影響因素是檢修周期。檢修周期與部件運(yùn)用時(shí)的可靠性、動(dòng)車組的行車安全及運(yùn)營(yíng)維護(hù)成本密切相關(guān)。文獻(xiàn)[37]運(yùn)用預(yù)測(cè)分析、大數(shù)據(jù)技術(shù)設(shè)計(jì)動(dòng)車組軸承的檢修計(jì)劃，延長(zhǎng)動(dòng)車組的檢修周期。文獻(xiàn)[38]綜合考慮環(huán)境和交路等影響因素，建立基于Monte-Carlo思想的決策模型，仿真計(jì)算塞拉門檢修計(jì)劃周期。文獻(xiàn)[39]分析了動(dòng)車組部件檢修周期對(duì)部件可靠性和行車安全的影響，建立了以檢修時(shí)間和檢修成本為優(yōu)化目標(biāo)的分階段計(jì)劃修模型。文獻(xiàn)[40]定義了動(dòng)車組受電弓預(yù)防性檢修工作的分類，比較和分析了不同車型動(dòng)車組的修程修制規(guī)則，提出一種優(yōu)化動(dòng)車組檢修規(guī)程的方法。文獻(xiàn)[41]以動(dòng)車組部件為研究對(duì)象，綜合分析影響動(dòng)車組高級(jí)修計(jì)劃的檢修規(guī)程、檢修周期、修時(shí)和用車需求等因素，構(gòu)建了面向部件層級(jí)的檢修策略。文獻(xiàn)[42]從部件壽命理論與實(shí)踐角度出發(fā)，研究零部件性能狀態(tài)、疲勞損耗、剩余壽命與運(yùn)用過程的伴隨關(guān)系，闡明優(yōu)化修程修制是保障車輛關(guān)鍵部件安全的重要手段。文獻(xiàn)[43]將生存分析和可靠性理論引入到檢修周期優(yōu)化問題，以動(dòng)車組運(yùn)用檢修時(shí)間間隔為優(yōu)化目標(biāo)，通過最大似然法估計(jì)兩參數(shù)威布爾分布的參數(shù)，計(jì)算部件合理的檢修周期。文獻(xiàn)[44]提出了一種高速動(dòng)車組檢修規(guī)程分析優(yōu)化方法，通過分析提取動(dòng)車組實(shí)際運(yùn)行和維護(hù)數(shù)據(jù)特征，建立部件退化模型，確定檢修策略和檢修周期。動(dòng)車組的高級(jí)修計(jì)劃是檢修計(jì)劃的重要組成部分，是關(guān)鍵部件安全保障、檢修生產(chǎn)、備件采購(gòu)和檢修資源準(zhǔn)備的基礎(chǔ)。文獻(xiàn)[45]以動(dòng)車組日均走行里程為關(guān)鍵參數(shù)，提出了一種動(dòng)車組年度高級(jí)檢修量預(yù)測(cè)方法。文獻(xiàn)[46]建立了多目標(biāo)聯(lián)合優(yōu)化的高級(jí)修決策模型，有效提高檢修效率、降低檢修成本。文獻(xiàn)[47]建立了一套動(dòng)車組高級(jí)修作業(yè)管理系統(tǒng)，監(jiān)控管理動(dòng)車組高級(jí)修檢修作業(yè)過程，實(shí)現(xiàn)動(dòng)車組高級(jí)修作業(yè)管理。目前關(guān)于動(dòng)車組高級(jí)修計(jì)劃的研究較少，實(shí)際工作中高級(jí)修計(jì)劃編制主要靠人工經(jīng)驗(yàn)借助Excel表格完成的，編制效率較低且依賴人工經(jīng)驗(yàn)。上述關(guān)于檢修計(jì)劃的研究多以動(dòng)車組的日均里程為依據(jù)預(yù)測(cè)動(dòng)車組到修時(shí)間，然而受動(dòng)車組運(yùn)行交路、運(yùn)營(yíng)調(diào)度及統(tǒng)計(jì)方法的影響，動(dòng)車組的日均里程難以準(zhǔn)確統(tǒng)計(jì)，從而影響了以日均里程為基礎(chǔ)的動(dòng)車組高級(jí)修計(jì)劃的準(zhǔn)確率。此外，檢修計(jì)劃優(yōu)化的研究也多集中在檢修周期和修程修制優(yōu)化方面，在動(dòng)車組運(yùn)力浪費(fèi)、高級(jí)修需求不均衡等方面，存在較大的檢修計(jì)劃優(yōu)化空間，因此，需要進(jìn)一步研究動(dòng)車組檢修計(jì)劃的預(yù)測(cè)與優(yōu)化方法，為精準(zhǔn)的部件檢修決策提供支持。3.文獻(xiàn)總結(jié)根據(jù)上述國(guó)內(nèi)外項(xiàng)目文獻(xiàn)的分析總結(jié)，開展高速動(dòng)車組關(guān)鍵部件智能檢修需要解決以下問題：（1）機(jī)理模型難以直接用于高速動(dòng)車組關(guān)鍵部件狀態(tài)監(jiān)控和異常預(yù)測(cè)的問題?，F(xiàn)有的預(yù)測(cè)模型多是運(yùn)用機(jī)械原理建立數(shù)學(xué)模型，通過仿真分析系統(tǒng)模擬部件的性能退化過程。動(dòng)車組系統(tǒng)和關(guān)鍵部件結(jié)構(gòu)復(fù)雜，服役環(huán)境差異大，失效數(shù)據(jù)較少，難以建立強(qiáng)魯棒性的物理模型，制約了此類方法在高速動(dòng)車組中的應(yīng)用。動(dòng)車組運(yùn)維數(shù)據(jù)具有極高的使用價(jià)值，但是利用此類歷史數(shù)據(jù)開展動(dòng)車組關(guān)鍵部件預(yù)測(cè)性維修的研究較少。（2）高速動(dòng)車組關(guān)鍵部件故障樣本少導(dǎo)致的故障識(shí)別問題?，F(xiàn)有動(dòng)車組關(guān)鍵部件狀態(tài)呈現(xiàn)典型非均衡特點(diǎn)，故障樣本遠(yuǎn)遠(yuǎn)少于正常狀態(tài)樣本，處于少數(shù)類的故障樣本被準(zhǔn)確識(shí)別的價(jià)值要高于多數(shù)類的正常狀態(tài)樣本，同時(shí)關(guān)鍵部件從產(chǎn)生故障到造成危害的時(shí)間并無(wú)明顯規(guī)律，最短僅數(shù)分鐘，設(shè)計(jì)快速、準(zhǔn)確、低能耗的關(guān)鍵部件故障診斷模型，也成為一個(gè)亟需解決的問題。（3）基于日均里程統(tǒng)計(jì)的檢修計(jì)劃準(zhǔn)確率不穩(wěn)定的問題。受動(dòng)車組運(yùn)行交路、運(yùn)營(yíng)調(diào)度及統(tǒng)計(jì)方法的影響，動(dòng)車組每日運(yùn)行里程具有明顯的非線性和非平穩(wěn)發(fā)展規(guī)律，難以準(zhǔn)確統(tǒng)計(jì)日均里程。高級(jí)修計(jì)劃通常是提前一年編制，不準(zhǔn)確的日均里程導(dǎo)致了高級(jí)修計(jì)劃編制粗放、過度檢修普遍的問題。（4）動(dòng)車組檢修需求不均衡導(dǎo)致的檢修資源空置和擠兌問題，以及過度檢修導(dǎo)致的動(dòng)車組利用率低等問題。隨著我國(guó)投入運(yùn)營(yíng)的動(dòng)車組數(shù)量和動(dòng)車組產(chǎn)品類別快速增長(zhǎng)，以及各類運(yùn)營(yíng)檢修影響因素的復(fù)雜化，如何兼顧運(yùn)營(yíng)和檢修的影響因素，科學(xué)合理的求解動(dòng)車組高級(jí)修計(jì)劃優(yōu)化問題，成為動(dòng)車組關(guān)鍵部件檢修決策的難點(diǎn)。參考文獻(xiàn)[1]張衛(wèi)華,李權(quán)福,宋冬利.關(guān)于鐵路機(jī)車車輛健康管理與狀態(tài)修的思考[J].中國(guó)機(jī)械工程,2021,32(04):379-389.[2]熊律,王紅,蔣祖華.風(fēng)險(xiǎn)視角下的動(dòng)車組部件預(yù)防性維修博弈優(yōu)化[J].哈爾濱工程大學(xué)學(xué)報(bào),2021,42(05):694-702.[3]WangJie,ZhouZhijie,HuChanghua.Performanceevaluationofaerospacerelaybasedonevidentialreasoningrulewithdistributedreferentialpoints[J].Measurement,2021,182.[4]謝國(guó),王竹欣,黑新宏,等.面向熱軸故障的高速列車軸溫閾值預(yù)測(cè)模型[J].交通運(yùn)輸工程學(xué)報(bào),2018,18(03):129-137.[5]鄧佳林,鄒益勝,黃治光,等.PSO優(yōu)化的高速列車軸溫灰色預(yù)測(cè)模型[J].鐵道機(jī)車車輛,2019,39(04):31-35.[6]董威,王云飛,張曉寧,等.高速列車走行部監(jiān)測(cè)系統(tǒng)全冗余技術(shù)方案研究[J].控制與信息技術(shù),2020(06):77-82.[7]李少鵬.結(jié)合CNN和LSTM的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)方法研究[D].哈爾濱:哈爾濱理工大學(xué),2019.[8]SuhSungho,JangJoel,WonSeungjae,etal.SupervisedHealthStagePredictionUsingConvolutionalNeuralNetworksforBearingWear[J].Sensors,2020,20(20).[9]王川,王偉,劉光俊.基于溫度特征的高鐵動(dòng)車齒輪箱故障預(yù)測(cè)[J].電子技術(shù)與軟件工程,2018(08):97.[10]顧佳,安帥,張杜瑋.基于異常檢測(cè)算法的動(dòng)車組牽引電機(jī)故障預(yù)測(cè)[J].設(shè)備管理與維修,2018(08):182-183.[11]劉峰,劉海生.基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的動(dòng)車組牽引電機(jī)故障趨勢(shì)預(yù)測(cè)[J].制造業(yè)自動(dòng)化,2017,39(07):15-18+28.[12]牛齊明,劉峰,張奕黃.基于PHM的高速鐵路牽引電機(jī)滾動(dòng)軸承健康狀態(tài)預(yù)測(cè)[J].鐵道學(xué)報(bào),2020,42(07):95-101.[13]李中奇,嚴(yán)柯.高速動(dòng)車組制動(dòng)過程的快速?gòu)V義預(yù)測(cè)控制[J].計(jì)算機(jī)仿真,2020,37(06):104-110.[14]吳廣榮.粒子群優(yōu)化廣義預(yù)測(cè)控制在列車制動(dòng)系統(tǒng)中的應(yīng)用[J].鐵道機(jī)車車輛,2019,39(04):79-82.[15]季銀銀,劉婷婷,沈建洲,等.基于神經(jīng)網(wǎng)絡(luò)模型的高鐵輪對(duì)故障診斷和預(yù)測(cè)方法的研究[J].機(jī)電工程技術(shù),2020,49(05):14-17.[16]黃衍,林建輝,劉澤潮,等.基于自適應(yīng)VMD的高速列車軸箱軸承故障診斷[J].振動(dòng)與沖擊,2021,40(03):240-245.[17]GuanjiXu,DongmingHou,HongyuanQi.High-speedtrainwheelsetbearingfaultdiagnosisandprognostics:Anewprognosticmodelbasedonextendableusefullife[J].MechanicalSystemsandSignalProcessing,2021,146.[18]YaoCheng,DongZou,WeihuaZhang,etal.AHybridTime-FrequencyAnalysisMethodforRailwayRolling-ElementBearingFaultDiagnosis[J].JournalofSensors,2019,2019.[19]YanHuang,JianhuiLin,ZechaoLiu,etal.AMorphologicalFilteringMethodBasedonParticleSwarmOptimizationforRailwayVehicleBearingFaultDiagnosis[J].ShockandVibration,2019,2019.[20]林森,靳行,王延翠.迭代辛幾何模態(tài)分解的高速列車軸承故障診斷[J].振動(dòng)工程學(xué)報(bào),2020,33(06):1324-1331.[21]GuJia,HuangMing,GjorgjevikjDejan.FaultDiagnosisMethodforBearingofHigh-SpeedTrainBasedonMultitaskDeepLearning[J].ShockandVibration,2020,2020.[22]艾軼博,孫暢,張衛(wèi)冬.基于性能退化和材料損傷表征的高鐵齒輪箱體故障診斷[J].控制與決策,2018,33(07):1264-1270.[23]謝曉龍.基于獨(dú)立成分分析的高速列車牽引電機(jī)故障診斷[D].南京:南京航空航天大學(xué),2019.[24]XuYanwei,LiChen,XieTancheng,etal.IntelligentDiagnosisofSubwayTractionMotorBearingFaultBasedonImprovedStackedDenoisingAutoencoder[J].ShockandVibration,2021,2021.[25]張春,黃天立.動(dòng)車組牽引電機(jī)軸承剩余壽命預(yù)測(cè)方法研究[J].鐵路計(jì)算機(jī)應(yīng)用,2018,27(01):4-7.[26]郭天序,臺(tái)秀華,陳茂銀,等.基于凸包頂點(diǎn)的高鐵制動(dòng)系統(tǒng)故障診斷算法[J].控制工程,2019,26(06):1011-1014.[27]GuoXie,MinyingYe,XinhongHei,etal.Monitoringdata-basedautomaticfaultdiagnosisforthebrakepipeofhigh-speedtrain[J].Int.J.ofComputerApplicationsinTechnology,2018,57(3).[28]YunguangYe,YongxiangZhang,QingboWang,etal.Faultdiagnosisofhigh-speedtrainsuspensionsystemsusingmultiscalepermutationentropyandlinearlocaltangentspacealignment[J].MechanicalSystemsandSignalProcessing,2020,138.[29]康高強(qiáng),高仕斌,于龍,等.基于深度學(xué)習(xí)的高鐵接觸網(wǎng)旋轉(zhuǎn)雙耳開口銷釘缺失故障檢測(cè)[J].鐵道學(xué)報(bào),2020,42(10):45-51.[30]楊晨.動(dòng)車組多源故障管理平臺(tái)設(shè)計(jì)[J].鐵路計(jì)算機(jī)應(yīng)用,2021,30(04):36-39.[31]趙珂,王偉,姜喜民.分布式高鐵動(dòng)車組PHM大數(shù)據(jù)架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)[J].軟件,2018,39(12):90-94.[32]王紅,楊國(guó)軍,何勇,等.考慮客流分布的動(dòng)車組部件預(yù)防性維護(hù)決策[J/OL].計(jì)算機(jī)集成制造系統(tǒng):1-13[2021-06-27]./kcms/detail/11.5946.TP.20201125.1804.002.html.[33]何勇,王紅,楊國(guó)軍,等.基于多目標(biāo)決策的動(dòng)車組部件分階段預(yù)防性維護(hù)優(yōu)化模型[J/OL].工業(yè)工程與管理:1-6[2020-12-07]./kcms/detail/31.1738.T.20200513.1925.002.html.[34]周斌,謝名源,吳克明.動(dòng)車組維修體制現(xiàn)狀分析及展望[J].機(jī)車電傳動(dòng),2017(01):17-21.[35]XiaojieLuan,JianruiMiao,LingyunMeng,etal.Integratedoptimizationontrainschedulingandpreventivemaintenancetimeslotsplanning[J].TransportationResearchPartC,2017,80.[36]ChuntianZhang,YuanGao,LixingYang,etal.Jointoptimizationoftrainschedulingandmaintenanceplanninginarailwaynetwork:AheuristicalgorithmusingLagrangianrelaxation[J].TransportationRese