Fault Diagnosis of Multiple Railway High Speed Train Bogies Based on Federated Learning
-
摘要:
单一线路高速列车转向架缺少足量故障数据特征,导致故障诊断模型泛化能力有限,为实现诊断多条线路高速列车的转向架故障,提出一种基于联邦学习的转向架全局故障诊断方法. 针对每条线路各自的转向架振动信号,在本地使用多尺度卷积融合算法,提取不同尺度下的故障特征并融合,在本地建立局部转向架故障诊断模型;在不泄露数据隐私的前提下,所有线路的故障诊断模型通过第三方聚合,调整模型参数权重,对故障诊断模型进行优化,最终实现多方联合训练转向架全局故障诊断模型. 实验表明:在联邦学习框架下,转向架全局故障诊断模型不仅对参与联邦建模的线路转向架故障诊断准确率达到93%以上,而且对于未参与联邦建模的线路转向架故障诊断率也可达到75%以上,给轨道交通中的“数据孤岛”问题提供了一种切实可行的方案.
Abstract:To solve the problem of limited generalization ability of fault diagnosis model caused by the lack of sufficient fault data characteristics of single railway high-speed train bogie, and to realize the diagnosis of bogie faults of multiple railway high-speed trains, a global bogie fault diagnosis method based on federated learning is proposed in this work. Firstly, according to the bogie vibration signals of each railway, the multi-scale convolution fusion algorithm is conducted locally to extract and fuse the fault features at different scales, and the bogie fault diagnosis model is established locally. On the premise of not divulging data privacy, the fault diagnosis models of all railways are aggregated by the third party, the weights of model parameter are adjusted, the fault diagnosis models are optimized, and finally the global fault diagnosis model of bogie is jointly trained by multiple railways. The experiments show that under the federated learning framework, the fault diagnosis accuracy of the global bogie fault diagnosis model is reach more than 93% for the railway participating in federated modeling, and more than 75% for the railway not participating in, which provides a practical scheme for the ‘data island’ problem in railway transportation.
-
Key words:
- federated learning /
- fault diagnosis /
- bogie /
- high speed train
-
2020年,中国在第75届联合国大会上提出,力争2030年前二氧化碳排放达到峰值,努力争取2060年前实现碳中和[1]. 在双碳目标和全球能源革命的背景下,新能源产业将迎来高质量、跨越式发展. “多能互补、源网荷储协同”的综合能源发展规划已经明确,清洁低碳、安全高效的能源体系正在加快构建[2]. 光伏以其取之不尽、用之不竭的优点受到青睐.
近年来,我国铁路交通发展迅猛,路网运输能力和效率显著提升,其能耗问题也日益显现[3]. 光伏接入铁路系统作为一项新型的铁路节能技术,在国内外的铁路车站、信号系统以及站舍屋顶等非牵引领域已大量应用[4-5],而在牵引供电领域的研究及应用相对较少. 考虑到牵引能耗占铁路系统总能耗比例最大的现实情况,将光伏发电技术应用在牵引供电领域是降低铁路系统能耗、实现铁路低碳化运行的关键[6]. 能够使铁路沿线土地及太阳光资源得到充分利用,可有效减少光伏发电传输、转换过程中的能量损耗,响应国家“清洁电能就近消纳”的号召[7],显著缓解外部电网的供电压力. 然而,在把光伏接入牵引供电系统的过程中存在诸多困难,主要有光伏电能消纳、电能质量影响、列车再生制动能量返送等[8]. 文献[9]介绍了德国铁路牵引供电系统中2种将光伏发电直接接入牵引供电系统的应用形式,但是,此方法无法解决光伏接入对电能质量的影响问题.
铁路功率调节器(RPC)是一种能够实现牵引供电系统无功、负序、谐波综合补偿的电力电子装置. RPC通过控制牵引供电系统中两供电臂的能量双向流动,实现动态补偿,有效对牵引供电系统电能质量进行改善[10-11]. 考虑光伏出力的特性以及列车负荷的多元化和不确定性,在RPC 的直流环节引入储能部分,及时对功率进行超额吸收和缺额补偿,平抑光伏功率波动. 由于电网供电是单向的,其自身不具有储存能量的功能,因此,引入储能部分能够实现对列车再生制动能量的回收再利用. 文献[12]提出了一种基于RPC的光伏并网功率调节器及其控制策略,在实现光伏有效并网的同时实现了对牵引供电系统无功、负序和谐波的综合补偿,但是缺少储能环节,难以在实际情况中加以应用. 文献[13]为有效回收电气化铁路交流传动型机车产生的大量再生制动电能,同时兼顾改善牵引供电系统电能质量的目的,基于RPC的结构,提出一种背靠背混合储能系统及其控制方法. 文献[14]同样针对高速铁路牵引供电系统中再生制动能量不能得到有效利用的问题,提出一种基于RPC的牵引供电系统储能方案及其控制方法,有效回收利用高速铁路牵引供电系统产生的再生能量,但是未考虑光伏接入系统的情况.
上述文献对RPC的光伏接入、电能质量补偿、再生制动回收等方面的应用进行了研究,但是均聚焦在单一方面,未能针对RPC的特性进行充分利用.
综上,本文利用RPC作为光伏并网接口,同时接入储能部分,提出一种基于RPC的光储接入牵引供电系统的协调控制方法,根据RPC补偿方案拓扑结构给出各类典型运行工况能量协调控制策略,进行仿真分析验证所提出方法的可行性、有效性.
1. 基于RPC的光储系统接入牵引供电系统
1.1 系统结构
基于RPC的光储系统接入牵引供电系统结构如图1所示,包括光储发电系统、RPC以及牵引供电系统3部分,图中:˙IA、˙IB、˙IC分别为电力系统的三相电流,˙Iα、˙Iβ分别为两供电臂(α、β相)等效牵引电流,˙IαL、˙IβL分别为两供电臂负荷电流,˙Icα、˙Icβ分别为两供电臂补偿电流,˙Uα、˙Uβ分别为牵引变压器副边电压, Lα和Lβ分别为两供电臂电感. 在光储发电系统中,光伏阵列和储能系统分别通过各自的DC/DC变换器接入RPC的直流电容两侧,为牵引供电系统提供电能. 本文使用蓄电池作为储能部分. 其中,光伏阵列作为光储发电系统的主要电能来源,储能系统作为辅助,在平抑光伏功率波动的同时,还能对机车的再生制动能量进行回收.
RPC作为光伏接入牵引供电系统的接口并且负担电能补偿功能,考虑应用稳定性,采用基于全桥逆变结构,其输出端口基于电感Lα和Lβ实现L型滤波,如图2所示. RPC包括2个背靠背结构的电压源变流器和一个直流电容Cd,连接在两供电臂中间,实现两供电臂之间有功功率的转移,同时也能对无功和谐波进行补偿,从而达到无功、负序、谐波综合补偿的多种目标.
牵引供电系统中,来自电力系统的220 kV三相工频交流电通过V/V降压变压器转换成27.5 kV的单相工频交流电,为α相和β相两供电臂上运行的电力机车供电.
1.2 电能质量补偿机理
为了实现RPC对牵引供电系统电能质量问题的动态补偿,本文采用瞬时鉴相检测法来检测负序电流的参考信号. 假设牵引供电系统原边的电网A相单位电压uA(t)=sinωt,那么2个牵引供电臂的单位电压分别表示为eα(t)=sin(ωt−π/6)和eβ(t)=sin(ωt−π/2). 用傅里叶级数表示2个供电臂的负载电流iαL和iβL分别为[15]
{iαL=Iαpsinωt+Iαqcosωt+∞∑n=2Iαnsin(nωt+φαn),iβL=Iβpsinωt+Iβqcosωt+∞∑n=2Iβnsin(nωt+φβn), (1) 式中:Iαp和Iβp分别为α、β相两供电臂负载电流的有功分量幅值,Iαq和Iβq分别为两供电臂负载电流的无功分量的幅值,Iαnsin(nωt+φαn)为α相的n次谐波电流, Iβnsin(nωt+φβn)为β相n次谐波电流,φαn和φβn分别为左、右供电臂n次谐波电流相位.
根据鉴相检测原理[16],先将两牵引供电臂负载电流分别乘以同步信号,相加之后通过低通滤波器(lower pass filter,LPF)可以提取出基波有功电流幅值的1/2,提取后的电流Ip表示为
Ip=12(Iαp+Iβp). (2) 根据负序补偿原理,计算得到补偿后的两臂期望电流分量为
{iα(t)=Ipsin(ωt−π6)+Iptanπ6cos(ωt−π6),iβ(t)=Ipsin(ωt−π2)+Iptanπ6cos(ωt−π2). (3) 为实现RPC的补偿功能,需在两臂负荷电流的基础上注入补偿电流,使牵引供电系统中两臂等效电流达到式(3)表示的期望值,故RPC的两侧补偿电流指令值icα和icβ可以表示为
{icα(t)=iα(t)−iαL(t),icβ(t)=iβ(t)−iβL(t). (4) 式(4)中包含了谐波电流分量,因此,不但能够补偿负序,而且能够起到抑制谐波的作用.
当光储接入后,此时流过变流器的电流不仅有补偿电流,还包括光储提供给牵引供电系统的有功分量. 为实现光储的有效并网的应用目标,又要保留RPC对无功、负序、谐波的补偿功能,所以需要改变变流器的期望指令. 光伏储能系统接入的目的是给牵引供电系统提供有功功率,换言之就是将光储所输出的有功功率输送给两供电臂进行利用,即在iα和iβ上叠加相应的光储有功电流分量. 叠加后得到两相电流的期望值idα和idβ分别为
{idα=iα+Iαhsin(ωt+π),idβ=iβ+Iβhsin(ωt+π3), (5) Iαh=Iβh=√2(Ppv+Pbat)Uα+Uβ, (6) 式中:Iαh、Iβh为光储输出的有功正分量幅值,Ppv为光伏的输出功率,Pbat为蓄电池的输出或吸收的功率,Uα、Uβ分别为牵引变压器副边两相电压有效值.
此时,只需将idα、idβ与iαL、iβL相减可得到新的参考信号.
2. 协调控制方法
2.1 铁路功率调节器控制策略
在不考虑光储接入的情况下,若要保证RPC的正常工作,此时需要控制RPC的变流器使两供电臂进行功率交换,同时维持直流环节的电压稳定. 直流侧的误差通过PI控制器后,分别与α相和β相电压的同步信号sin(ωt−30∘)和sin(ωt−90∘)相乘,得到RPC两变流器的有功指令,然后,再跟负序和谐波参考信号相叠加就得到了最后的实际指令i∗αc、i∗βc. 两变流器采用PI控制[10]方法,使其具有较快的响应速度.
当光储接入后,为使并网后的电流实现平衡,需要对RPC原有的控制策略进行改进. 改进部分的控制策略如图3的α相和β相变流器控制所示,由于加入了光伏和蓄电池储能,故需要将这两部分所提供的功率平均地分配到RPC两侧. 图中:Pcmax和Pdmax为蓄电池的最大充、放电功率,前者取负值;Plim为光伏的功率限值;uα、uβ分别为两供电臂的电压实测值;PES为光储部分为两臂提供的总功率; U∗dc为直流侧电压给定值;Udc为直流侧电压测量值,两者比较计算得到直流侧的误差通过PI调节后,分别与电力系统A相和B相电压的同步信号相乘,叠加到两相电流期望值上,再跟iαL和iβL相减,得到新指令,其他部分控制方法不变. 此时,负序和谐波依旧得到有效的补偿.
2.2 光储荷系统控制策略
光伏和储能接入牵引供电系统是未来绿色铁路发展的一个重要方向,光伏发电能够给牵引供电系统负荷供电,实现铁路沿线光伏电能的就近消纳,同时储能系统能够灵活储存和释放电量,容纳列车的再生制动能量,防止其返送电能对牵引供电系统电能质量的负面影响,更好地实现节能减排. 所以需要良好的协调控制策略来控制光伏和储能的能量流动,使光储系统实时调整电能分配,能够更好地满足牵引所需用能.
光储荷系统的功率控制流程如图4所示,图中:蓄电池的荷电状态(SOC)上、下限分别为SOCmax和SOCmin, Pα、Pβ为两臂功率. 首先,需要获得两供电臂的电压电流实际测量值,计算出两臂的功率 Pα、Pβ. 考虑到RPC能够控制两供电臂间功率流动,此处可以考虑采用两供电臂的功率和P=Pα+Pβ来判断,大于0、小于0、等于0分别表示此时牵引供电系统局部处于牵引、制动或空载工况,以此简化工况类型并且便于分析. 对蓄电池采取限值管理策略防止过充过放损害使用寿命,以其荷电状态SOC为依据,监测并判断蓄电池是否正常进行充放电工作.
工况1:局部牵引工况下,当列车牵引需求量大于光伏发电量,即P⩾PPV,若蓄电池SOC已到达下限,蓄电池无法提供电能,光储系统中仅有光伏提供牵引用能,即PES=PPV.
工况2:局部牵引工况下,若P⩾PPV且蓄电池SOC⩾SOCmin,则光伏和蓄电池一起提供电能. 当P⩾PPV+Pdmax,则蓄电池以最大放电功率进行放电尽可能满足牵引用能,此时PES=PPV+Pdmax.
工况3:局部牵引工况下,若P⩾PPV且SOC⩾SOCmin,如果P<PPV+Pdmax,则蓄电池放电功率为Pbat=P−PPV,PES=P.
以上3种工况中,蓄电池均面临释放自身电能的外界需求,此时仅需SOCmin作为标准进行判断,无需考虑蓄电池过充问题.
工况4:局部牵引工况下,若牵引需求量小于光伏所发电能P<PPV,则光伏单独为列车供电且有余电. 若此时蓄电池SOC到达其上限值(SOC⩽SOCmax),此时蓄电池无法储存多余的光伏发电电量,此时只能对光伏的输出功率进行限制,即PPV=Plim,PES=Plim.
工况5:局部牵引工况下,若P<PPV且蓄电池SOC⩽SOCmax,则光伏单独为列车供电,光伏发电余量输送到蓄电池进行存储. 若P⩽PPV−|Pcmax|,则蓄电池以最大充电功率为目标进行充电.
工况6:局部牵引工况下,若P<PPV且蓄电池SOC⩽SOCmax,如果P>PPV−|Pcmax|,则蓄电池充电,为Pbat=P−PPV,此时PES=P.
工况7:局部制动工况下,若此时蓄电池SOC到达其上限值,则蓄电池受到过充限制不能继续充电,此时不能回收再生制动能量及光伏发电的电能.
工况8:局部制动工况下,如果蓄电池SOC⩽SOCmax,能够正常充电,并且|P|+PPV⩾Pcmax,则蓄电池以最大充电功率充电以尽可能回收光伏及再生制动能量,此时Pbat=Pcmax.
工况9:局部制动工况下,如果蓄电池SOC⩽SOCmax,且|P|+PPV<Pcmax,表明此时蓄电池容量充足,能够完全容纳光伏发电电量、回收列车再生制动能量,此时Pbat=|P|+PPV.
工况4~9中,蓄电池均面临储存电能的外界需求,此时仅需SOCmax作为标准进行判断,无需考虑蓄电池过放问题.
工况10:局部的空载工况情况,即无列车经过或列车惰行情况下,此时两供电臂上无功率需求也无再生制动能量反送,若SOCmin⩽SOC⩽SOCmax,表明此时蓄电池能够正常工作,可以对光伏发电电能进行吸收.
工况11:局部的空载工况情况,若蓄电池SOC已达充放电上下限,此时蓄电池不能对光伏发电电能进行回收.
3. 仿真分析
为验证所提协调控制方法的有效性,本文在RT-Lab实时仿真机上搭建了基于RPC的光储系统接入牵引供电系统的实时仿真模型,并分别在RPC的电能质量补偿效果、光储荷系统功率分配以及实际工况下系统运行仿真结果. 仿真主要参数如表1.
表 1 仿真模型主要参数Table 1. Main parameters of simulation model子系统 参数 数值 牵引变压器 变比 220/27.5 降压变压器 变比 27.5/1 变流器 直流侧电压/V 4000 RPC 直流电容/F 0.02 RPC 交流电感/H 0.0001 光伏装机 容量/MW 3.265 蓄电池 容量/MW 6 3.1 RPC电能质量补偿效果
为验证RPC系统对电能质量的补偿效果,设定2种局部牵引工况.
工况A1:左侧供电臂负载功率为5 MW,右侧供电臂负载功率为3 MW.
工况A2:左侧供电臂负载功率为3 MW,右侧供电臂空载.
2种工况下的补偿前、后三相侧电流如图5所示,在第1 s时接入RPC进行补偿. 从图5中可以看到:接入RPC补偿前,三相电流各相幅值差异明显;1.0 s时接入RPC补偿后,经过0.1 s左右的时间后实现了稳定,此时三相电流基本对称,负序有了明显的改善,验证了RPC的补偿功能和动态响应性能.
3.2 光储荷系统功率流分配结果
考虑到铁路沿线光照强度不同、列车的制动牵引等工况不断变化,修改光照条件和供电臂运行工况实现对光伏发电和列车负荷的仿真,验证在光伏发电及列车负荷变化下,光储荷系统协调控制策略分配功率的显著效果,如图6所示. 图中:PL为左侧供电臂负载功率,PR为右侧供电臂负载功率.
工况B1 (0~1.0 s):两臂均处于牵引工况,此时设定左臂牵引功率为3.000 MW,右臂牵引功率为2.000 MW. 在0~0.5 s时间段内,光伏强度较弱,此时仅能输出1.806 MW,为满足两供电臂上的列车负载需求,蓄电池输出功率约为3.200 MW. 在0.5~1.0 s时间段内,由于光照强度增强,光伏输出逐步增长为3.265 MW,此时蓄电池相应减少能量释放,此时输出功率约为1.730 MW. 整个过程中,两臂的负载所需电能均由光储系统提供.
工况B2 (1.0~2.0 s):左侧供电臂制动右侧供电臂牵引,此时设定左臂再生制动功率为1.500 MW,右臂牵引功率为1.000 MW. 在1.0~1.5 s时间段内,光照强度较弱,光伏输出1.806 MW,因此,蓄电池吸收列车再生制动能量及光伏发电能量,蓄电池储能功率约为2.300 MW. 在1.5~2.0 s时间段内,光伏强度增大,光伏输出增长为3.265 MW,此时蓄电池吸收功率为3.760 MW. 整个过程中蓄电池保持正常充电状态.
工况B3 (2.0~3.0 s):两臂均处于空载或惰行状态,此时光储系统与牵引供电系统没有能量的交换,光伏发电功率直接送到储能部分进行储存,2.5 s时光照强度突变,光伏发电量增加,蓄电池继续储能,整个过程中除去未稳定时刻,蓄电池吸收功率恒等于光伏发电功率.
工况B4 (3.0~4.0 s):两臂均处于制动工况,此时设定左臂再生制动功率为0.500 MW,右臂再生制动功率为1.000 MW. 在3.0~3.5 s时间段内,光伏输出1.806 MW,蓄电池吸收光伏发电能量及两供电臂上的再生制动能量,功率为3.300 MW,在3.5~4.0 s时间段内,光伏输出突变3.265 MW,蓄电池储能功率相应增加约为4.770 MW. 整个过程中,两臂的再生制动能量与光伏所发电能均由蓄电池吸收.
综上所述,该控制策略能够在不同工况及光照条件下,实现光储系统按照牵引供电系统所需功率进行合理的能量分配与转移,同时保证了再生制动能量的有效回收.
3.3 实际工况下系统运行结果
为分析实际工况下光储和RPC接入后对牵引供电系统电能质量的影响,截取了某牵引变电所某时间段的左、右供电臂实际负荷情况并压缩成50.0 s,如图7所示.
图7中:负荷大于0表示处于牵引工况,小于0表示处于制动工况,等于0表示惰行或者空载状态. 由图7可以看到,牵引工况下最大负荷可以达到20 MW左右. 根据仿真情况并通过计算,50.0 s时间段内再生制动能量占总牵引能量的9.2%,当通过RPC接入光伏储能系统后,再生制动能量的回收率达到86.7%. 在较为复杂和多变的实际负荷情况下,依旧能够达到较高的回收率,有效实现制动能量回收,有助于实现能量的再利用,减少反送电能对牵引供电系统电能质量的负面影响,节省铁路运行成本.
将当地实际光照强度的两组数据输入到光伏仿真模型中得到光伏输出功率,如图8所示,图8(a)对应的光照强度变化相对剧烈,所以造成第一组光伏功率波动较大,而图8(b)对应的光照强度变化相对较小,故光伏输出功率较为平滑.
仿真得到光储 + RPC接入前三相电流的负序情况,如图9. 可以看到此时负序电流较大,波动明显.
图10为光储 + RPC接入后三相电流的负序情况. 通过比较接入前、后的负序电流波形图可以看到:接入后的负序电流相比接入前的负序电流幅值减小,接入后的负序电流保持在15 A以内,基本保持在5 A以下,接入前后最大降幅能够达到55 A左右,整体负序补偿效果十分显著;当左右两臂负荷差距较大时,负序电流较大,符合理论分析结果. 针对2组不同光照的数据进行仿真,在光照强度相差较大的情况下,2组数据的负序电流相差不大且较为相似,可见,光照强度等环境因素的变化对电流负序的影响不大. 采用本文的控制方法能较好地改善负序的同时对光伏发电电量进行消纳. 且补偿前后高压侧的功率因数也有了一定的改善,从原来的平均功率因数0.863提升到0.918,整体提高了0.055,符合国家标准.
为了验证谐波的补偿效果,截取了某时间段内某牵引变电所供电臂的1~50次谐波,并将其注入到仿真模型中. 通过谐波分析可以发现,3、5、7、9、11、31、33、35、37、39次的谐波电流含有率(HRI)相对较高,如表2所示. 针对光储 + RPC接入前、后的2种情况,比较各次谐波电流含有率的变化情况. 仿真结果如图11.
表 2 各次谐波电流含有率Table 2. Current ratio of each harmonic谐波次数/次 含有率/% 谐波次数/次 含有率/% 3 9.725 31 5.108 5 2.683 33 3.230 7 2.750 35 9.415 9 1.750 37 3.388 11 1.575 39 4.708 对比图11可以看出:光储 + RPC接入后谐波电流的含有率有了很大的改善,对于高次谐波的改善更加明显. 其中: A相电流总谐波畸变率从19.16%降低至5.66%;B相电流总谐波畸变率从15.29%降低至3.01%;C相电流总谐波畸变率从18.82%降低至4.69%. 验证了RPC的谐波抑制效果,表明该控制策略有利于提高系统稳定性及电能质量.
4. 结 论
本文提出了光储通过铁路功率调节器接入牵引供电系统的控制策略,并根据预设工况和实际工况验证了该系统及策略的有效性和优越性,可以得出以下结论:
1) 光储通过铁路功率调节器接入牵引供电系统,通过合理的功率控制方式能够提高光伏的利用率,减小牵引供电系统对电力系统的依赖,并且能够回收再生制动能量,有利于提高能源利用效率.
2) 通过建立系统模型,基于预设工况下RPC接入前后三相电流由不对称变为基本对称. 在两供电臂牵引、制动、空载工况下,各部分功率流都进行了合理有效的转移和利用,符合预期期望.
3) 在实际工况及不同的光照情况下,接入后负序电流都有了极大的改善,功率因数也有了一定的提高,兼顾了较高的再生制动能量回收率,实现较好的节能效果. 本文所采用的数据时间较短,考虑到实际应用情况,还需要收集更多数据进行仿真验证对模型进行优化.
4) 基于本文的仿真结果进行分析,就改善的效果而言,电能质量各项指标都有了一定程度的提高,但就经济性而言,如何配置光储的容量以及蓄电池的种类参数选取等仍需继续研究,也是今后研究的重点.
-
表 1 转向架本地故障诊断模型结构及参数
Table 1. Structure and parameters of local bogie fault diagnosis model
结构类型 输入尺寸 卷积核尺寸 步长/步 通道数/个 卷积层 40000 × 1 6 1 16 卷积层 40000 × 16 6 1 16 最大池化 40000 × 16 2 卷积层 20000 × 16 6 1 16 多尺度卷积 20000 × 16 3/4/5 1 64 卷积层 20000 × 64 3/3/3 1 128 卷积拼接 20000 × 128 卷积层 60000 × 128 2 1 128 Dropout 60000 × 128 卷积层 60000 × 128 2 1 256 全局平均池化 60000 × 256 60000 1 1 全连接层 256 × 1 Softmax 7 表 2 转向架工况
Table 2. Operation status of bogie
运行工况 标签 正常运行 0 LD 故障 1 AD 故障 2 AS 故障 3 AD + LD 故障 4 AS + LD 故障 5 AS + AD 故障 6 表 3 转向架故障诊断准确率
Table 3. Accuracy of bogie fault diagnosis
% 实验线路 训练模型 标签 平均 0 1 2 3 4 5 6 武广线 1D-CNN 87.7 85.4 90.4 77.8 83.3 82.2 87.6 84.9 SecureBoost 95.3 95.7 96.6 87.5 92.4 86.9 88.5 91.8 Multi-1D-CNN 98.2 96.8 98.4 94.5 96.2 94.9 99.1 96.9 郑西线 1D-CNN 81.2 83.3 84.5 73.2 76.3 75.4 81.7 79.4 SecureBoost 92.7 90.4 90.5 74.6 93.2 84.3 82.4 86.9 Multi-1D-CNN 94.3 95.5 96.3 87.4 94.8 91.3 95.5 93.6 京津线 1D-CNN 81.7 83.4 84.4 75.8 73.3 74.2 81.6 79.2 SecureBoost 93.3 93.7 95.6 76.5 89.4 84.9 81.5 87.8 Multi-1D-CNN 98.5 97.2 97.3 93.4 97.6 95.2 97.7 96.7 表 4 泛化能力检测
Table 4. Generalization ability test
泛化实验 参与线路 检测线路 1 武广 胶济 2 武广 + 郑西 胶济 3 武广 + 郑西 + 京津 胶济 4 武广 + 郑西 + 京津 + 金山 胶济 -
[1] WEI X C, CHEN Y, LU C, et al. Acoustic emission source localization method for high-speed train bogie[J]. Multimedia Tools and Applications, 2020, 79(21/22): 14933-14949. [2] 池毓敢,林建辉,李艳萍,等. 二系横向减振器阻尼系数对车辆横向振动影响的仿真研究[J]. 铁道车辆,2014,52(4): 15-16. doi: 10.3969/j.issn.1002-7602.2014.04.005CHI Yugan, LIN Jianhui, LI Yanping, et al. Simulation research on the effect of damping coefficient of the secondary lateral dampers on lateral vibration of vehicles[J]. Rolling Stock, 2014, 52(4): 15-16. doi: 10.3969/j.issn.1002-7602.2014.04.005 [3] 谢树强,王斌杰,王文静,等. 基于动应力的地铁构架疲劳损伤与疲劳寿命计算[J]. 机械工程学报,2022,58(4): 183-190.XIE Shuqiang, WANG Binjie, WANG Wenjing, et al. Calculation for fatigue damage and fatigue life of metro bogie based on dynamic stress[J]. Journal of Mechanical Engineering, 2022, 58(4): 183-190. [4] 张卫华,李艳,宋冬利. 高速列车运动稳定性设计方法研究[J]. 西南交通大学学报,2013,48(1): 1-9.ZHANG Weihua, LI Yan, SONG Dongli. Design methods for motion stability of high-speed trains[J]. Journal of Southwest Jiaotong University, 2013, 48(1): 1-9. [5] MAO Z H, WANG Y, JIANG B, et al. Fault diagnosis for a class of active suspension systems with dynamic actuators’ faults[J]. International Journal of Control, Automation and Systems, 2016, 14(5): 1160-1172. doi: 10.1007/s12555-014-0552-z [6] LI P, GOODALL R, WESTON P, et al. Estimation of railway vehicle suspension parameters for condition monitoring[J]. Control Engineering Practice, 2007, 15(1): 43-55. doi: 10.1016/j.conengprac.2006.02.021 [7] QIN N, LIANG K W, HUANG D Q, et al. Multiple convolutional recurrent neural networks for fault identification and performance degradation evaluation of high-speed train bogie[J]. IEEE Transactions on Neural Networks and Learning Systems, 2020, 31(12): 5363-5376. doi: 10.1109/TNNLS.2020.2966744 [8] WEI X K, JIA L M, GUO K, et al. On fault isolation for rail vehicle suspension systems[J]. Vehicle System Dynamics, 2014, 52(6): 847-873. doi: 10.1080/00423114.2014.904904 [9] KOU L L, QIN Y, ZHAO X J, et al. A multi-dimension end-to-end CNN model for rotating devices fault diagnosis on high-speed train bogie[J]. IEEE Transactions on Vehicular Technology, 2020, 69(3): 2513-2524. doi: 10.1109/TVT.2019.2955221 [10] 刘建伟,刘媛,罗雄麟. 深度学习研究进展[J]. 计算机应用研究,2014,31(7): 1921-1930,1942.LIU Jianwei, LIU Yuan, LUO Xionglin. Research and development on deep learning[J]. Application Research of Computers, 2014, 31(7): 1921-1930,1942. [11] HATCHER W G, YU W. A survey of deep learning: platforms, applications and emerging research trends[J]. IEEE Access, 2018, 6: 24411-24432. doi: 10.1109/ACCESS.2018.2830661 [12] YU L K, ALBELAIHI R, SUN X, et al. Jointly optimizing client selection and resource management in wireless federated learning for Internet of Things[J]. IEEE Internet of Things Journal, 2022, 9(6): 4385-4395. doi: 10.1109/JIOT.2021.3103715 [13] LI X, ZHANG W. Deep learning-based partial domain adaptation method on intelligent machinery fault diagnostics[J]. IEEE Transactions on Industrial Electronics, 2021, 68(5): 4351-4361. doi: 10.1109/TIE.2020.2984968 [14] LIU Y, KANG Y, XING C P, et al. A secure federated transfer learning framework[J]. IEEE Intelligent Systems, 2020, 35(4): 70-82. doi: 10.1109/MIS.2020.2988525 [15] SEMMA A, HANNAD Y, EL KETTANI M E Y. Impact of the CNN patch size in the writer identification[C]//Proceedings of Networking, Intelligent Systems and Security. Singapore: Springer, 2022: 103-114. [16] ZHANG L B, CAI J, PENG F, et al. MSA-CNN: face morphing detection via a multiple scales attention convolutional neural network[C]//The 20th International Workshop on Digital Forensics and Watermarking (IWDW). Cham: Springer, 2022: 17-31. [17] XU S Z, ADELI E, CHENG J Z, et al. Mammographic mass segmentation using multichannel and multiscale fully convolutional networks[J]. International Journal of Imaging Systems and Technology, 2020, 30(4): 1095-1107. doi: 10.1002/ima.22423 [18] ZHAO Z C, XIA J J, FAN L S, et al. System optimization of federated learning networks with a constrained latency[J]. IEEE Transactions on Vehicular Technology, 2022, 71(1): 1095-1100. doi: 10.1109/TVT.2021.3128559 [19] LIU A, YU Q Y, XIA B M, et al. Privacy-preserving design of smart products through federated learning[J]. CIRP Annals: Manufacturing Technology, 2021, 70(1): 103-106. doi: 10.1016/j.cirp.2021.04.022 [20] HU Y Q, HUA Y, LIU W Y, et al. Reward shaping based federated reinforcement learning[J]. IEEE Access, 2021, 9: 67259-67267. doi: 10.1109/ACCESS.2021.3074221 期刊类型引用(0)
其他类型引用(1)
-