摘要
高速列车因其舒适、高效等特点已成为我国重要交通基础设施之一。牵引传动系统作为高速列车的动力来源，是其重要组成部分。长期在轨运行易致牵引传动系统元器件功能退化，影响列车安全运行。受频繁模态切换、非线性等特点影响，牵引传动系统精确机理建模困难。因此，需要研究其数据驱动的故障诊断方法。而运行故障数据小样本及样本失衡等特性又使得数据驱动的牵引传动系统精确故障诊断较为困难。 为此，针对上述数据驱动的牵引传动系统故障诊断问题，围绕故障检测与故障估计两项子任务，论文开展了以深度生成模型和迁移学习为指导的域迁移深度生成网络故障诊断方法研究。论文的主要研究成果与创新点如下: 1）针对牵引传动系统运行数据的非线性特点，采用了基于对抗性自编码器的故障检测方法。 为了从非线性的可采集信号中逐层提取高维耦合特征，构建了考虑变量随机性的对抗性自编码器模型，有效地模拟了牵引传动系统的复杂行为。通过数值例子和TDCS-FIB（牵引传动系统故障注入平台）验证，相较于传统方法所提方法的故障检测性能提升了20％。 2）针对现有故障检测方法中阈值学习最小样本需求量过大的问题，采用了面向最小样本需求的DeLaPe?a鞅差不等式阈值学习方法。 引入弱相关过程，构造了一项期望为零的超限样本指标函数，通过DeLaPe?a鞅差不等式确定测试统计量的双边界，有效降低建模所需最小样本需求的同时提升了阈值学习的速度。经验证，所提方法在具备相同故障检测性能的同时，降低了建模所需样本量。 3）针对故障先验知识类别稀缺与样本不平衡的问题，采用了一种基于域迁移生成对抗网络的故障检测与估计方法。 分析故障样本和正常样本域间关系，设计了一项基于域的虚拟故障样本生成算法，通过平衡正常样本的重构损失、虚拟故障样本的迁移损失和对抗损失，实现生成器对整体观测域到正常域迁移映射的深度学习，提升了故障检测与估计的泛化性。经验证，所提方法具备较好的故障检测与估计性能。
NETL