融合深度学习与智能推理的高速列车制动系统安全评估

The high-speed trains braking system is typically complicated, which contains distributed and interconnected modules with adjacent coupling characteristics. Therefore, it is imperative to establish a big data analysis and deep learning inference based intelligent safety assessment architecture, realizing the health state evaluation and remaining useful life prediction for the high-speed trains braking system. For the high-volume data of the braking system with multi-source heterogeneity and complex coupling characteristics, recursive neural network is utilized to obtain the mapping relationship of system degradation characteristics, and generate the multidimensional implicit health indicators. Based on it, the multi-source data of system degradation and failure is utilized, and then a hierarchical deep belief network based fuzzy mechanism is proposed to incorporate the feature generation and presentation, constructing an intelligent inference method to evaluate the system health state. Then, the physical degradation mechanism of braking system is investigated to obtain the state space model and develop Mixture of Gaussians Hidden Markov Model by digging multi-source heterogeneous data. Furthermore, a kernel-regression based competition-fusing algorithm is proposed to achieve the accurate remaining life prediction of the braking system. This project tries to provide an effective safety assessment method for the complex braking system of high-speed trains by integrating deep learning and intelligent inference. Applied to braking system of high-speed trains, the project can offer the theoretical and practical foundation for the research and implementation of distributed artificial intelligence and industrial big data.

针对高速列车制动系统——这一典型复杂、具有邻接耦合特征的互联分布式系统，建立基于大数据分析和深度学习推理的智能安全评估体系架构，实现高速列车制动系统的当前健康状态评估和剩余寿命预测。面向具有多源异构、数量巨大、耦合关系复杂特性的制动系统大数据，研究递归神经网络获得系统退化特征的映射关系，生成高速列车制动系统的多维隐式健康指标；在此基础上，研究系统退化和失效等多源数据，构建基于层次融合模糊深度置信网络的特征生成和表示的层次化结构，寻找系统健康状态评估的智能推理方法；研究制动系统的物理失效机理，建立状态空间模型，挖掘多源异构数据构建混合高斯隐马尔可夫模型，并提出一种基于核回归的竞争融合算法，实现制动系统剩余寿命的准确预测。本项目融合深度学习和智能推理技术，尝试为复杂系统的安全评估提供一种有效方法，通过在高速列车制动系统中的应用，为分布式人工智能和工业大数据的研究和应用提供一定的理论和实践基础。

本项目针对邻接耦合特征的互联分布式高速列车制动系统，运用非线性空气动力学理论、智能诊断理论、可靠性理论和机器学习方法，建立基于大数据分析和深度学习推理的智能安全评估体系架构，实现高速列车制动系统的当前健康状态评估和剩余寿命预测。针对分布式制动机工作模式多样性所造成的故障难以检测问题，提出一种模式自适应的物理-数据融合的智能故障检测方法，建立对应功能模块的机理模型，对模型参数进行辨识，同时基于梯度提升决策树建立功能模块的数据驱动模型，通过分析压力响应曲线和压力测量值的残差序列，对不同工作模式下功能模块进行故障检测。针对制动机部件运行方式切换带来故障定位难问题，提出基于迁移学习的分布式制动机关键部件故障诊断方法，设计基于模型迁移的源域扩展策略，得到用于识别关键部件的故障诊断模型，提高关键部件故障诊断的准确性。针对制动系统关键部件样本存在的数据不均衡、有标签故障样本少、无标签样本标注工作量大造成健康状态难以评估的问题，提出一种基于半监督学习的制动系统部件级和系统级的健康评估方法，利用两个同构回归学习器协同训练，经过不断迭代提高关键部件健康评估的精度。提出一种基于改进贝叶斯网络的智能系统级健康评估方法，从节点失效率、节点重要度和模块之间的连接耦合关系综合不同制动模式下多个部件的健康状态，构建系统级健康指标，实现对分布式制动机的部件和系统准确的多级健康评估。设计基于数据驱动的高速列车制动系统关键部件剩余使用寿命预测方案，实现剩余使用寿命实时预测。研究成果具有一定的理论价值，并投入实际应用，获得1项铁道学会科学技术奖二等奖。受本项目支持，相关研究成果已在《IEEE Transactions on Industry Applications》、《Actuators》、《Applied Soft Computing》、《Symmetry》、《Energies》和《铁道学报》等国内外知名学术刊物和ECCE， CPHM和ICRAIC等国内外重要学术会议上发表，并参会与同行进行了深入交流。受本项目资助共发表相关论文论文23篇，其中SCI收录12篇、EI收录11篇，获授权发明专利5项，培养硕士研究生10名,博士研究生3名。