高铁受电弓系统故障诊断非平稳多模态数据在线学习方法研究

To achieve safe and efficient operation and maintenance of high-speed railway systems, data-driven approaches represent the most updated trend of online fault diagnosis via machine learning and artificial intelligence. Focusing on the pantograph fault diagnosis in power traction systems used in high-speed railway networks, this project explores novel methods and applications to solve multi-source heterogeneous, non-stationary and sparse imbalanced learning problems. We will construct a data-driven and evolving diagnostic framework. To realize the fusion of non-uniform modalities, we will investigate an adversarial network model and optimization strategy of cross-modal feature fusion. To increase the robustness in a dynamic environment, we will further probe non-stationary learning methods based on active change detection and online model. To improve the accuracy and efficiency of the system, we will investigate high dimensional sparse imbalanced data especially short text log. The project will establish an evaluation criterion for simulation and develop an application to validate performance in practical scenarios. Aiming at online learning methods based on multi-source heterogeneous data, this project intends to provide theoretical basis and technical support for the development of the fault diagnosis systems for high-speed railway networks.

本项目面向高速铁路数据驱动的安全高效运行维护新需求，利用机器学习与人工智能理论与方法，研究电力牵引系统中受电弓故障在线智能诊断关键技术。项目针对该特定工程问题数据样本具有多源异构、不平稳性和稀疏不平衡等特征，以实现高效、鲁棒在线故障诊断为目标，构建高铁受电弓系统数据驱动与持续进化的故障智能诊断框架；研究跨模态特征融合的对抗网络模型与优化策略，突破多视图学习模式，实现非一致标记复杂多模态的融合学习；研究基于主动变化检测与模型更新的非平稳数据在线学习方法，提高动态环境下机器学习的鲁棒性；研究高维稀疏不平衡数据，特别是短文本日志的分类学习算法，提高故障识别精度和效率。项目拟建立标准化评价和仿真测试平台，对算法进行系统的仿真测试和比较分析，并用实际工程数据加以应用验证。通过本项目的深入研究，以期丰富多源异构数据的在线学习方法体系，为我国高铁电力牵引系统故障诊断技术的发展提供理论基础和方法支撑。

本项目面向高铁受电弓系统故障诊断非平稳多模态数据在线学习问题，从非结构化非一致标记数据的多模态关联分析与特征融合与非平稳不平衡数据的鲁棒在线学习两个方面展开深入研究，取得了一定的具有普适性与推广价值的创新性研究成果。（1）针对受电弓数据的多源异构特性，设计了词向量建模方法、动态嵌入投影门控CNN网络、半监督类增量学习的图像识别模型等高效的特征学习算法。针对模态表征对象不一致与不同模态特征及标记内涵耦合关联等问题，研究基于哈希编码的图像-文本跨模态检索算法，实现了多模态数据的统一表达。（2）针对外部环境动态变化导致部分监测数据特征发生改变的问题，研究了受电弓运行状态在线监测模型，设计了主动式环境检测的在线学习方法，提升非平稳环境下故障识别的快速性与鲁棒性。提出一套高效的高维稀疏不平衡多分类算法，以满足故障诊断系统对少类样本的识别精度和时效性的高要求。（3）研究了分层学习粒子群优化算法、基于学习自动机的多目标搜索策略和基于微分流形场的进化多目标优化等高效的群智优化方法，辅助模型进行参数优化与结构调优。（4）考虑到实际系统中往往只有正常数据，现有机器学习模型因数据分布差异而难以建立的问题，提出了基于领域自适应的迁移学习方法，通过增强子空间分布匹配与设计生成对抗式分布匹配迁移网络，实现从相关领域的知识迁移，提高模型的预测性能和泛化性。（5）建立了标准化评测体系和仿真平台，对所提算法进行了系统的仿真测试，用实际工程数据验证研究成果的创新性和推广价值。.项目组通过四年系统化研究，取得的研究成果包括：发表SCI/EI论文30篇，其中IEEE Transactions长文10篇，授权发明专利2项，申请发明专利10项。培养毕业博士生3名，硕士生10名。达到了项目的预期目标，详见研究成果目录。