基于小样本机器学习的轨道交通列车设备故障诊断方法研究

交通运输、仓储和邮政业

项目提出了多种智能诊断与预测方法，可有效预测关键部件的寿命和潜在故障，有助于延长部件的使用寿命，减少因部件老化或突发故障导致的安全事故，提高轨道交通系统的整体安全性和可靠性，为新一代运维技术提供支持。项目成果可为智慧交通领域提供通用和可靠的智能运维方案，推动轨道交通行业的智能化升级。

项目成果可应用于轨道交通和其他设备的智能运维实际应用，技术细节可通过协商确定。

可国（境）内外转让

其他细节可通过协商确定。

北京市自然科学基金丰台前沿项目

北京市科学技术委员会;中关村科技园区管理委员会

项目以城轨列车轴承、受电弓等关键部件为对象，考虑高端装备工况多变、结构复杂、故障特征微弱、训练样本稀缺等问题，结合信号处理、人工智能等方面的前沿理论和先进成果开展研究。项目要解决的重要任务之一是故障诊断中的“诊断大数据，故障小样本”和样本类型不均衡问题。针对上述问题，研究基于滚动轴承故障机理和数据驱动的样本增强方法，结合机理与数据驱动方法解决样本不均衡问题，为智能诊断模型提供数据基础，提出了基于改进残差Unet扩散模型的轴承故障诊断算法、相关B样条小波基卷积稀疏特征增强算法、基于中心频率自适应滤波的轴承故障特征提取方法等多种特征增强与智能运维方法，实现轨道交通列车轮对、受电弓等关键部件的状态监测、故障诊断与性能退化预测。其次，面向小样本条件，研究基于深度学习方法的故障智能诊断方法，构建强泛化性迁移诊断模型，引入域对齐和综合损失函数等方法，增强智能诊断模型的泛化能力，提出非平滑特征变换和图样本动态更新的故障诊断方法、双分类器加权域适应的跨域开集故障诊断方法、混合损失函数卷积神经网络故障诊断方法，部分解决了智能诊断模型在不同工况间的迁移应用问题实现跨领域的故障深度迁移诊断。此外，研究了基于特征迁移的关键部件剩余寿命预测方法、基于多项式拟合和 ABiLSTM-MLP 的轴承剩余使用寿命预测方法，多特征融合健康指标与加权TCN的寿命预测方法实现了轴承等关键部件的寿命预测。通过性能退化预测技术，可有效预测关键部件的寿命和潜在故障，有助于延长部件的使用寿命，减少因部件老化或突发故障导致的安全事故，提高轨道交通系统的整体安全性和可靠性，为新一代运维技术提供支持。项目成果可为智慧交通领域提供通用和可靠的智能运维方案，推动轨道交通行业的智能化升级。