计算机论文哪里有？本文重点研究了地铁车辆制动系统的相关特征，针对制动系统构建了基于ResC NN-XGBoost和LW-DFDN的故障诊断模型，形成了一套完整的地铁车辆制动系统故障诊断方案。
第1章 绪论
1.2国内外研究现状
故障诊断技术是现代工业设备运行安全与可靠性的重要技术支撑[6]，其目标在于精确识别系统内故障发生时间、位置及故障类型。在实践中，及时识别、隔离和评估异常对保障复杂设备的安全稳定运行至关重要，这些问题在过去的几十年里备受关注[7–10]。尽管近年来已取得了显著的研究成果，但如何进一步优化诊断算法，提高诊断的准确性和实时性，仍是故障诊断研究的重点[11]。根据故障诊断技术原理的不同，当前故障诊断方法主要分为基于模型的方法、基于知识的方法和基于数据驱动的方法[12]。
（1）基于模型的故障诊断方法
基于模型的诊断方法依赖于对系统现象、数学规律及物理定律的深入理解和应用。基于模型的故障诊断方法通过构建精确的数学模型，获取被诊断对象的模型输出与系统实际输出的残差。随后，通过对残差数据进行收集和分析，实现故障的分离与检测[13]。基于模型的故障诊断方法主要有参数估计和等价空间两种方法。
基于参数估计的故障诊断方法通过监测模型参数的变化来识别故障[14]。然而，基于参数估计的方法存在明显的局限性，首先，它高度依赖于持续不断的激励信号，一旦信号中断或不稳定，诊断的准确性就会受到影响[15]。其次，提取故障特征所需的计算量较大，导致诊断过程存在较高的延迟，难以适应实时性要求较高的应用场景。尽管基于参数估计的故障诊断方法具有一定的理论基础，但由于在实际应用中的限制及性能上的不足，并未得到广泛应用。
第3章 地铁车辆制动系统信号特征提取及融合
3.1特征提取
在复杂系统的数据分析过程中，特征提取作为数据处理的核心环节，通过相关算法和技术，从原始数据中提取关键信息，将其转化为更具代表性、更易于理解和处理的特征表示形式。这一过程有助于发现数据的内在规律和模式，减少冗余信息。在特征提取的过程中，针对制动系统数据时序性特点，本文采用了从时域、频域、小波包分解及相关性四个方面进行特征提取的方法，特征提取流程如图3-1所示。
第5章 基于轻量化分布式特征提取的故障诊断模型
5.1分布式故障诊断模型
DFDN模型通过融合分布式计算、特征提取技术和故障诊断算法，能够在复杂环境中对系统进行高效、准确的故障诊断。该模型在网络中的多个节点上并行处理传感器数据，利用各节点的计算能力进行特征提取，从而解决了数据全量传输的时间延迟问题以及不同车辆故障特征差异导致的模型泛化难题。DFDN模型能够实时监测制动系统的运行状态，及时发现并识别故障，为后续的故障处理和维护提供了有力支持。DFDN模型的结构如图5-1所示。
DFDN模型主要由特征提取器和分类器两部分构成。首先，利用地面数据中心的历史数据对特征提取器和分类器进行训练，确保它们能够从原始数据中提取关键特征并进行准确判断。接着，将特征提取器迁移至车载端传感器，利用其边缘计算能力实时处理来自地铁车辆的运行数据，并将数据转化为高效的特征表示。然后，通过无线传输技术将这些特征数据发送到云端服务器。
5.2轻量化分布式故障诊断模型
由于DFDN模型对计算资源和存储空间的需求较高，导致其难以在嵌入式设备上应用。因此，本文提出了轻量化分布式故障诊断模型LW-DFDN，通过轻量化结构设计和参数量化对DFDN模型进行压缩。
为实现模型的轻量化，本文采用了轻量型结构设计方法。在这一过程中，将原始模型中的复杂结构替换为轻量化组件，同时确保新模型的性能稳定，在效率与性能之间实现优化平衡。随后，在构建完成的轻量化模型架构基础上，进一步应用参数量化技术压缩模型。通过将轻量级结构设计与参数量化策略相结合，构建出轻量化分布式故障诊断模型LW-DFDN。
5.2.1深度可分离卷积
在构建LW-DFDN模型过程中，本文通过引入深度可分离卷积（Depthwise Separable Convolution）对DFDN进行结构改进。深度可分离卷积主要由深度卷积（Depthwise Convolution）和点卷积（Pointwise Convolution）两部分组成。
深度卷积在处理输入通道数据时保持高度独立性，其卷积核数量与输入通道数保持一致，每个卷积核专注单一通道的特征提取，使深度卷积在计算上更加高效，并显著减少模型参数量。
在图5-4所示的标准卷积中，一个[高度，宽度，通道数]为[]1H,W,c的特征图经过卷积核大小为[]1 1 1h,w,c，滤波器数量为2c的卷积后，输出维度为[]2H,W,c的特征图。深度卷积可以视为分组卷积的一种特殊情况，在深度卷积中，每个输入通道都分配有一个独立的卷积核。这些卷积核在各自的输入通道上进行滑动，并执行卷积操作。因此，每个输入通道都会生成一个对应的输出通道，这些输出通道保持了输入的空间维度，但每个通道都是独立处理的结果。
第6章 总结与展望
6.2展望
本文所研究的基于地铁车辆制动系统的故障诊断方法，经实验验证表现出了良好的效果，工程应用价值显著。然而，研究内容仍有待优化改进，期望后续研究逐步完善。
（1）本文所研究的制动系统故障类型相对较少，尚不够全面。在实际应用中，地铁车辆系统和故障种类繁多，每种故障都可能对车辆的安全运行造成不同程度的影响。因此，未来的研究应进一步拓展故障类型的覆盖范围，实现更精细化的故障诊断。通过深入分析各类故障的特征和规律，建立更为精确的故障模型，提高故障诊断的准确性和可靠性。
（2）本文提出的分布式故障诊断模型仅在离线环境下模拟，未能充分反映车载计算设备的实际计算能力和高密度流式数据下的诊断效果。未来研究应重视将模型部署至车载端进行实地测试，通过收集实时运行数据，实现模型的实时训练和诊断，从而更精准地评估模型实际应用性能。同时，这也将检验车载计算设备是否满足在线故障诊断需求，为模型优化和诊断精度提升提供有力支撑，对于实现车辆在线故障诊断、提升地铁系统安全性和运营效率至关重要。
参考文献（略）
