《動車組故障診斷技術(shù)發(fā)展研究的文獻(xiàn)綜述》7500字

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