1、366 集成电路应用 第 40 卷 第 1 期（总第 352 期）2023 年 1 月Applications创新应用Hinton等人首次提出。由于其强大的数据处理能力以及分类预估精度被广泛应用在各个领域之中，且随着越来越多的研究人员的投入，出现了非常多的优秀的深度学习算法。其中深度信念网络算法（Deep belief network,DBN）是受研究人员广为青睐的一种，该方法基于多层和无监督贪婪学习可以获得主要变量和输入数据的分布特征，因而被广泛运用在语音识别、图像识别等领域。在轨道车辆可靠性预估领域，对DBN的研究很少，该方法的应用也很少。为了解决城市单轨车辆动力传动系统故障机理非常复杂，
2、信号特征不明显的问题，本文基于DBN理论，提出了一种用于轨道车辆动力传动系统可靠性预估的新方法，以获得更高的可靠性预估精度。并且，通过SIMPACK与Matlab联合仿真验证了所提基于DBN的可靠性预估算法可以自适应地提取故障特征并实现智能诊断。2 基于深度学习可靠性预估传统的可靠性预估方法一般是基于信号处理和诊断经验从机械信号中提取故障特征来进行可靠性预估，但目前的动力系统结构复杂，导致故障机理非常复杂，信号特征不明显，用传统的信号处理方法不可能有效地提取故障信息和预估动力传递系统的可靠性。基于深度学习的优势，本文提出了一种0 引言城市单轨车辆具有噪声低、爬坡能力大、转弯半径小、建设周期短、
3、造价低等优点在世界多个城市得到应用。然而随着应用广度的不断提高，城市单轨车辆也暴露出动力传动系统等关键部件故障频率较高、使用寿命较短、质量不够稳定、维护使用成本高等可靠性问题。为了保证城市单轨车辆的运行安全，必须从单轨车辆的振动信号中有效地提取异常特征，并快速准确地估计当前车辆动力传动系统的可靠性并确定动力传动系统的故障，以快速进行故障维修1。但目前仍然缺乏精准有效的可靠性预估方法，成为制约城市单轨车辆发展的关键所在。城市单轨车辆动力传动系统包括了动力传动齿轮箱、转向架、主动电机等关键动力传动件，动力系统结构复杂，导致故障机理非常复杂，信号特征不明显，用传统的信号处理方法不可能有效地提取故障信
4、息和预估动力传递系统的可靠性2。1 研究背景与传统的信号处理方法相比，深度学习算法可以自适应地提取故障特征，实现智能诊断，因此，本文将采用深度学习算法来进行动力传动系统的可靠性预估3。基于人脑功能思想的深度学习理论在4中由作者简介：陈佳欣，重庆交通大学机电与车辆工程学院；研究方向：电力数字化转型。收稿日期：2022-12-01；修回日期：2022-12-22。摘要：阐述轨道车辆动力传动系统的可靠性预估问题，基于深度学习理论，提出一种基于深度信念网络的轨道车辆动力传动系统可靠性预估算法，并进行了SIMPACK与Matlab协同仿真验证。关键词：深度信念网络，可靠性预估，轨道车辆。中图分类号：TP
5、18，TB114.3 文章编号：1674-2583(2023)01-0366-03DOI：10.19339/j.issn.1674-2583.2023.01.155文献引用格式：陈佳欣.基于深度学习的轨道车辆动力传动系统可靠性预估分析J.集成电路应用,2023,40(01):366-368.基于深度学习的轨道车辆动力传动系统可靠性预估分析陈佳欣（重庆交通大学 机电与车辆工程学院，重庆 400074）Abstract This paper expounds the reliability prediction problem of rail vehicle powertrain system.B
6、ased on deep learning theory,a deep belief network-based reliability prediction algorithm for rail vehicle powertrain system is proposed and validated by joint simulations of SIMPACK and Matlab.Index Terms deep belief networks,reliability prediction,rail vehicles.Analysis of Reliability Prediction f
7、or Rail Vehicle Powertrain System Based on Deep LearningCHEN Jiaxin(School of Mechatronics and Vehicle Engineering,Chongqing Jiaotong University,Chongqing 400074,China.)Applications 创新应用集成电路应用 第 40 卷 第 1 期（总第 352 期）2023 年 1 月 367基于深度信念网络的轨道车辆动力传动系统可靠性预估方法。2.1 深度信念网络DBN由多层玻尔兹曼机(Restricted Boltzmann m
8、achine,RNM)组成的一个神经网络，是RNM的一种优化拓展算法5。在DBN算法中，一般RBM用于DBN的初始化与预训练，训练神经网络分类，BP用于完成DBN权重微调。输入数据由多个RBM训练，前一个RBM的隐藏层作为下一个RBM的可视层，每次训练时，将下层的RBM训练好后再训练上层的RBM，每次训练一层，直至最后建立一个输入数据和标签之间的联合分布，算法结构图如图1所示。2.2 基于深度信念网络的可靠性预估法在利用DBN算法进行可靠性预估前，首先需要利用样本数据对DBN模型进行训练，再利用训练模型进行可靠性预估。基于该算法的可靠性预估具体流程如下。（1）制备并采集训练模型所需要的多组样本
9、数据，并设置对应失效标签。（2）将采集的训练样本数据按照DBN理论中的预训练以及微调步骤进行DBN模型的训练，并设置包括学习率、微调权重、训练次数等参数。（3）利用新的样本数据对训练好的DBN模型进行性能测试，并将深度学习算法输出结果与实际结果进行对比，得到可靠性预估的准确率。3 基于深度信念网络的单轨车辆动力传动系统可靠性预估由于真实的故障实验在实际中非常危险且难以实现，为了实现基于DBN的可靠性预估，本文利用SIMPACK软件建立了动力传动系统的多体动力学模型，获得动力传动系统的相关振动信号，将振动信号导入Matlab，作为算法输入，在Matlab中完成了基于深度学习的可靠性预估。3.1
10、动力传动系统状态信号制备为了仿真真实的轨道车辆动力传动系统状态数据，根据如图2（a）所示的城市轨道车辆动力传递系统结构原理图，在SIMPACK中建立了如图2所示的动力传递系统多体动力学模型。由于动力传动系统主要包括动力传动齿轮箱、转向架、主动电机三大部件，为了对动力传动系统进行可靠性预估，因此可以将运行状态按表1所示分为8类，在SIMPACK中进行多次仿真计算并采集数据用于训练DBN模型以及用来测试算法的准确度。如图3（a）所示为一组正常状态下状态数据，图3（b）为一组某一种故障状态下的状态数据图。3.2 动力传动系统可靠性预估在本实验中采用算法识别准确率作为深度信念网络可靠性预估的评估指标。
11、识别准确率定义如式（1）所示。R(N/M)100%（1）式在，R代表识别准确率；N代表正确识别的样本数量；M代表测试样本的总数量。与有偶然误差的实验测试不同，动力传动系统的振动信号是通过多体动力学软件获得的。20次实验中获得的振动信号不图1 DBN算法框架（a）轨道车辆动力传递系统结构原理图（b）SIMPACK轨道车辆动力传递系统多体动力学模型图2 轨道系统动力传递模型表1 运行状态分类368 集成电路应用 第 40 卷 第 1 期（总第 352 期）2023 年 1 月Applications创新应用应完全相同，可以根据这些不同的振动信号来验证深度信念网络在可靠性预估中的稳定性。如图4中显示
12、，20个实验的诊断准确率接近100%，这表明所提出的方法可以消除故障干扰，准确预估动力传动系统的可靠性。4 结语为了改善目前现有的可靠性预估方法在轨道车辆动力传动系统可靠性预估上的不足，本文提出了一种基于深度学习的可靠性预估方法。该方法基于深度学习理论，利用深度信念网络根据轨道车辆状态数据训练出轨道车辆可靠性评估模型，通过SIMPACK与Matlab联合仿真获得的状态数据验证了本文所提出的可靠性预估方法的能够自适应地提取故障特征并实现智能诊断，且具有非常高的可靠性预估准确率以及故障识别正确率。参考文献1 方吉,马域,潘虹宇,薛鑫宇.某城际列车齿轮箱结构振动疲劳寿命预测研究J.铁道科学与工程学报
13、,2021,18(09):2418-2426.2 雷亚国,贾峰,周昕,林京.基于深度学习理论的机械装备大数据健康监测方法J.机械工程学报,2015,51(21):49-56.3 边道宽.基于深度学习的可靠性快速计算D.山东：山东大学,2021.4 Hu H,Tang B,Gong X,et al.Intelligent fault diagnosis of the high-speed train with big data based on deep neural networksJ.IEEE Transactions on Industrial Informatics,2017,13(4):2106-2116.5 欧柱,李明刚,聂常华,刘杰,刘志龙,罗骞.基于深度学习的结构可靠性分析方法研究J.自动化仪表,2021,42(10):88-93.（a）正常状态下状态数据（b）故障状态下的状态数据图3 状态数据的视图图4 深度信念网络可靠性预估实验准确度
