基于CNN-LSTM融合神经网络的CRTSⅡ型轨道板温度预测方法

准确预测CRTSⅡ型轨道板温度可对轨道板内高温的出现及时进行预警，减小高温时期涨板对列车运营带来的威胁。同时考虑外界环境温度对轨道板温度影响的时滞效应与轨道板自身在时间上的温度变化规律，提出基于卷积神经网络(CNN)与长短期记忆网络(LSTM)融合模型的板温预测方法。先通过CNN在时间轴上对气温与轨温进行卷积提取出过去一段时间内外界气象条件对当前时刻板温的影响，再将CNN在各个时间点上的输出作为LSTM的输入特征利用轨道板自身的传热规律对板温进行预测。结果表明：过去12 h内的外界气象条件对当前时刻的板温有较大影响，利用训练好的CNN-LSTM在测试集上对未来40 min的板温进行预测，其预测误差绝对值的数学期望为0.925℃。     

地铁闸机扇门机构故障时间序列预测研究

基于CNN+ LSTM混合神经网络构建故障时间序列预测模型，利用某型号地铁闸机扇门机构的故障数据进行实例分析，并与ARIMA、CNN和LSTM 3种单一预测模型对比。结果表明:CNN+LSTM混合神经网络模型的预测准确性较高，具有良好应用前景，研究成果可用于支持地铁闸机维修计划的制定和优化。     

基于融合注意力机制的多智能体磁浮谐波预测算法

为减小高速磁浮系统谐波对牵引供电网产生的影响，解决谐波治理存在的时滞性问题，通常需要对谐波电流进行预测。对此，采用融合深度学习算法的组合模型相比于传统算法的表现更加出色。文章提出一种新的融合注意力机制的多智能体磁浮谐波预测算法，该算法通过麻雀搜索算法（SSA）优化变分模态分解（VMD）的相关参数，并利用该优化参数将原始电流信号分解为多个不同中心频率的谐波分量，将各个分量分别输入融合注意力机制的长短时记忆网络（LSTM）中进行时序预测，形成多个独立预测智能体，再对各个智能体预测结果进行重构，从而实现对高速磁浮谐波电流预测。在此基础上引入误差修正机制，进一步提高模型的预测精度。对上海高速磁浮牵引系统进行理论分析与仿真，采集网侧电流数据，并用所提出的算法模型对此数据进行试验和分析。结果表明，与其他模型相比，所提的预测模型在磁浮谐波电流预测方面具有较好的性能，并可使时滞性得到进一步改善。     

基于BP算法的AT牵引供电系统状态识别

使用ATP电磁暂态仿真软件对AT牵引供电系统进行数学建模,仿真分析了高速动车组正常运行状态、T-R短路故障、F-R短路故障、T-F短路故障和异相短路故障;重点分析了高速动车组在过电分相时产生的非线性谐振（铁磁谐振）和线性谐振,采用MATLAB仿真软件为工具,应用神经网络中BP算法对AT牵引供电系统的5种状态进行识别。     

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明：IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12～40人次(13～35人次...     

基于卷积神经网络的列车位置指纹定位算法研究

针对高速铁路隧道环境下采用位置指纹定位时定位精度低的问题，提出将深度卷积神经网络应用于列车位置指纹的定位中。首先采用2σ准则、模糊C均值聚类FCM及类数据加权，对采集到的下一代铁路通信系统LTE-R中的信号强度值进行预处理，降低异常值的影响，提高指纹数据的有效性；然后引入定时提前量，增强指纹特征值；接着将处理后的指纹数据量转换为灰度图片指纹条，基于图像样本建立FCM-CNN指纹定位模型；最后以现场实测数据为基础对定位模型进行测试验证。结果表明，相较于采用未经处理的数据作为样本的CNN模型及传统的位置指纹定位方法，基于FCM-CNN的列车位置指纹定位方法，提高了数据质量，在离线阶段具有较大的指纹采集间距，大幅减少了指纹采集工作量，模型训练时间较短，定位精度小于10 m的概率可达100%,满足列车在中密度线路对定位精度的要求。     

存在支路的AT全并联供电系统精准故障定位研究

AT供电方式在牵引供电系统中得到广泛应用。传统的测距方法仅针对串联型线路拓扑测距较准确，对于存在支路的线路拓扑已不再适用。本文针对上述特殊情况，根据实际现场的接触网参数搭建含有支路的AT全并联供电方式的六导线模型；在大区间内根据基尔霍夫定律列写电压、电流与故障距离的矩阵方程，推导出故障距离与电流及线路参数关系式，准确计算故障发生时主干线路与支路线路上故障所在位置。最后利用RTplus牵引供电系统实时数字仿真仪对支路在不同位置的拓扑结构进行测试，在支路与干路不同位置进行不同类型的故障模拟，测试结果误差满足工程要求，验证了方法的可行性和准确性。该方法不受故障区间及故障类型的影响，具有很好的普适性，为存在支路的AT全并联供电系统故障测距提供了一种思路。     

基于小波包熵及双重优化神经网络的牵引逆变器开路故障诊断

功率模块器件作为高速动车组电力牵引传动系统的核心组成部分,大多应用于多场域耦合且承受主要的电热应力,故障率较高。通过提取其故障特征并准确定位故障点,实时在线诊断故障对于牵引传动系统的安全可靠运行具有重要意义。以CRH2型动车组牵引传动系统为例,三电平牵引逆变器存在12个功率管,故障发生频繁且种类繁多,故对于三电平牵引逆变器功率管的单管以及多管故障诊断不可忽视。以提升三电平牵引逆变器功率模块器件故障准确定位为目的,研究单个功率器件和多个功率器件开路故障诊断。通过分析该三电平牵引逆变器正常工作模式和多种功率管开路故障情况对比,将三电平牵引逆变器三相桥臂输出侧电流作为诊断电气量,对故障进行分类,提取每类故障特征电气量经小波包分解后各节点的熵值作为故障特征信息。以提取的小波包熵值作为故障特征向量建立BP神经网络,采用粒子群算法结合遗传算法对神经网络权值和阈值结构同时优化,2种算法优劣互补,实现不同故障分类的诊断,准确定位故障点。仿真结果表明,该方法能实现牵引逆变器单管以及多管故障类型的诊断和对不同故障点的准确定位,且诊断结果精度高,抗噪性能优异,实时性强。     

基于门控循环残差网络的滚动轴承故障诊断研究

滚动轴承的运行状态对整体机构的工作状态影响很大，防止因滚动轴承失效而产生的安全事故极为重要。而一维信号只利用卷积神经网络CNN(Convolutional Neural Networks)输出结果时无法充分利用数据间的时序信息的问题，因此，文中结合门控循环单元GRU(Gated Recurrent Unit)在处理时序数据所具有的优势,提出了一种门控循环残差网络结构，将CNN在强大的特征提取的优点与GRU处理时序数据的优点有机结合起来。为了验证算法的有效性，采用凯斯西储大学轴承数据集与齿轮箱轴承台架试验进行轴承故障诊断分析，同时引入常见神经网络作为对比，检验不同模型的分类性能。结果表明，在相同试验条件下相较于卷积神经网络等深度学习网络，文中算法具有更高的故障识别准确度和稳定性。     

基于CNN-LSTM的车辆悬挂系统故障识别方法研究

高速铁路车辆（简称：车辆）运行条件恶劣多变,车辆悬挂系统的可靠性关系到行车安全和乘坐舒适性。当车辆的悬挂系统发生故障时,振动信号呈现非线性、非平稳的特征。为此,提出了一种基于卷积神经网络（CNN,Convolutional Neural Network）-长短时记忆（LSTM,Long Short-Term Memory）模型的车辆悬挂系统故障识别方法。通过SIMPACK平台建立了包含悬挂系统的车辆-轨道耦合动力学模型,获得了车辆系统各部件在健康状态及各类故障状态下的振动信号;以与故障元件关联部件的振动加速度信号作为模型输入,通过构建的CNN-LSTM模型对时序信号进行特征提取和分类预测,进而实现对车辆悬挂系统的故障识别;通过构建不同工况的故障数据集对该方法进行评估。试验结果表明,该方法在速度等级相同的情况下,故障识别准确率可达98%;在速度等级不同的情况下,故障识别准确率可达99%,验证了该方法的有效性。     

基于改进蝙蝠算法优化LSTM网络的短时客流预测

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义.充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBA-LSTM).引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验.实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测.     

基于LSTM神经网络的地铁变压器绕组温度预测

传统的地铁状态监测系统仅能反映变压器绕组当前的温度状态及其历史温度趋势,当绕组温度超过阈值时系统报警,但不能对绕组未来的温度变化进行预测。绕组温度受设备运行功率和环境温度等多重因素影响,其变化呈现非线性和周期性,传统预测方法精度难以提升。本文基于长短期记忆网络(long short-term memory,LSTM)算法预测变压器绕组温度,选取绕组温度、环境温度、运行功率、运行电流作为输入变量,收集变压器历史状态数据构成训练数据进行离线训练,通过训练完成的绕组温度预测模型反映多重影响因素与绕组温度的变化关系。最后将算法应用于某地铁站动力变压器,收集样本数据进行训练得到温度预测模型,将测试数据输入模型中,计算绕组温度真实值和预测值之间的相对温差,分析验证算法可行性与模型准确度。结果表明：LSTM算法面对大数据量样本可充分挖掘多重影响因素与绕组温度之间的深层关系,温度预测模型可准确预测绕组温度的变化。     

基于简化鲁棒UKF的GNSS/INS紧组合列车定位方法

针对GNSS/INS组合列车定位中的信息融合非线性与传感器量测故障问题，为满足复杂多变列车运行场景下列车定位精度与鲁棒性的需求，提出一种基于简化鲁棒UKF的GNSS/INS紧组合列车定位优化方法。综合标准KF的时间更新与标准UKF的量测更新来构建简化UKF,在保证GNSS/INS紧组合列车定位精度的同时改善定位解算实时性。在简化UKF滤波框架内，引入故障检测与自适应调整因子构建简化鲁棒UKF,可以快速检测传感器量测故障导致的系统故障，并对故障历元的量测噪声协方差进行自适应调整降低滤波增益，使得滤波算法具有较强的鲁棒性。采用京沈高铁实测数据与故障仿真数据进行算法定位性能验证与评估，结果表明：基于简化UKF的GNSS/INS紧组合定位算法水平定位精度为2.686 5 m,与传统EKF滤波模型下的紧组合与松组合方法相比定位精度分别提高5.6%和15.0%。此外，提出的简化鲁棒UKF方法可以快速有效检测到不同类型的传感器量测故障，且大幅抑制传感器量测故障，优化复杂运行场景下的列车定位精度与鲁棒性。     

基于集成深度学习的转辙机故障诊断研究

[目的]为了能够充分利用故障日志数据诊断转辙机故障,提出了基于集成学习算法的道岔转辙机故障诊断方法。[方法]通过分析转辙机故障文本数据,并结合专家经验,建立了两级故障诊断思路;将故障文本数据预处理为机器能够识别的数据,作为故障诊断模型输入数据;介绍了基于AdaBoost集成学习法的CNN(卷积神经网络)-LSTM(长短期记忆网络)故障诊断模型的原理和方法。[结果及结论]试验结果表明,在数据类别不平衡或者样本数量有限的情况下,采用CNN-LSTM模型能够有效提高故障诊断的准确率;与其他故障诊断模型相比,CNN-LSTM模型性能更好;所提出方法具有有效性,能够满足应用场景准确率要求。     

基于双通道特征融合的轴承故障诊断方法

基于卷积神经网络（Convolution Neural Network,CNN）的智能诊断方法在轴承故障诊断中应用广泛，但是大多数诊断模型以单源信息输入为主，这将影响基于CNN的故障诊断准确性和可靠性。针对这个问题，文章提出一种基于双通道特征融合的滚动轴承故障诊断方法。首先利用多重Q因子连续Gabor小波变换（Multiple Q-factor Continuous Gabor Wavelet Transform,CMQGWT）和快速谱相干（Fast Spectral Coherence,Fast-SC）分别构造滚动轴承振动信号的时频分析图；然后搭建1个具有双输入通道的CNN网络模型，通过特征融合层将各个通道提取的深度时频特征融合成1个新的特征；最后利用分类器输出诊断结果。在高速列车滚动轴承单故障和复合故障的分类识别试验中，较之于单输入通道的CNN模型，该模型具有更高的诊断准确性和鲁棒性。     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。     

基于车辆响应的高速铁路轨道几何状态评估方法

轨道几何状态科学评估对保障高速铁路列车平稳、安全运行具有重要意义。基于高速综合检测列车多次检测数据，利用卷积神经网络、注意力模块和长短时记忆网络，分别学习数据的波形特征、注意力权值、长距离空间依赖关系特征，建立CBAM-CNN-LSTM车辆动态响应预测模型。该模型通过输入轨道几何、运行速度和车型预测不同工况下的车辆动态响应，进而利用预测的车辆动态响应评价轨道几何状态。研究结果表明，建立的模型能够有效预测车体振动响应，根据我国某高速铁路两种车型综合检测列车检测数据的验证结果，车体横向、垂向加速度的均方根预测误差分别为0.004g、0.009g,相关系数分别为0.608、0.793;利用预测的车辆动态响应评估轨道状态，能够有效识别引起车体振动加剧的轨道几何不利状态或隐形病害。此外，模型内部的注意力权值有助于分析挖掘导致轨道状态不良的轨道几何参数类型和位置信息。     

基于非线性补偿的轨道交通列车自定位方法研究

列车精准定位对列车运营安全有着十分重要的意义。在某些国外地铁项目中，受限于技术体系的成熟度和设计成本，常规的GPS定位和CBTC定位技术无法满足项目对列车定位的需要，文章为此提出一种基于非线性补偿的轨道交通列车自定位方法。该方法能够在不增加新设备（如GPS、CBTC等）的情况下，仅依赖于车载既有设备实现列车位置的精确定位。所提出的方法系统组成简单、成本低、精度高、可靠性高（不受环境影响），具备推广意义。具体思路为：首先利用神经网络建立列车瞬时速度的补偿模型，通过补偿模型提升列车瞬时速度的精度；然后根据补偿后的列车实时运行速度与列车运行时间作积分累积得到列车实时的运行距离，再根据列车的固定运营线路图，计算得到列车距下一站的距离，实现定位。试验证明，补偿后的定位精度小于0.2 m，较补偿前提高了3～4倍。     

融合注意力机制的轨道入侵异物检测轻量级模型研究

基于智能视频分析的轨道线路环境入侵物自主识别是保障轨道交通运营安全的关键技术之一。然而基于神经网络的高精度目标检测模型严重依赖算力，部署成本高，很难普及运用。为此，提出一种改进yolov4-tiny的轻量级网络模型。在网络主干，通过融合跨阶段结构和通道混洗策略，提出CSPShuffleNet结构，加快网络推理；在网络颈部，引入多头注意力机制，增强网络目标定位能力；在网络头部，使用深度可分离卷积替换传统卷积，进一步压缩网络参数量。基于铁路异物数据集的实验结果表明：相比于原始yolov4-tiny,本模型的均值平均精度最大提高1.4%,参数量减少49.9%,模型容量减少55.4%。验证了本模型对于固定平台和移动平台检测系统的普适性，从而为铁路安全保障提供决策支持。     

基于ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断

针对齿轮箱非平稳振动信号特征提取难、特征向量冗余度高和故障识别率低的问题，提出基于改进的自适应噪声完备集成经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）、多尺度排列熵（Multi-scale permutation entropy,MPE）、随机森林（Random forest,RF）特征重要性排序和支持向量机（Support vector machine,SVM）的齿轮箱特征提取与故障诊断方法。首先，通过ICEEMDAN将各种故障状态的齿轮振动信号分解为一系列不同频率分布的本征模态分量（Intrinsic mode functions,IMF）；然后，计算各阶IMF的MPE值获得非平稳信号时频分布下的非线性动力学特征；最后，通过RF算法评估特征重要性，选择高重要性敏感特征组成最优特征子集输入SVM进行故障模式识别。试验结果表明，该方法特征提取和表征能力强，在不同工况下的平均识别率可达99.79%，在多工况和小样本数据集上比其他方法更具稳健性。