计算机论文哪里有？本文从列车传回的时序数据出发，分析了数据的特点与各模块之间的工作关系，结合专家指出的与牵引变流器故障高度相关的数据项，将专家经验知识引入XGBoost模型中对数据集进行重要性排序，提取出高相关性的数据特征作为模型预测输入，可大大提升预测模型的工作性能同时大大降低计算时间。
第1章 绪论
1.2 国内外研究现状和发展趋势
故障预测技术是依照设备实时数据和历史数据对设备的状态进行预测，从而预知故障在何时何处发生[10]。针对列车设备的故障预测，国内外厂商和学者已研制了若干相关的预测方法，各方法都有自己的特点和一定的局限性，根据研究内容的不同可大致分为以下几种[11-12]。
1.2.1 基于物理模型的故障预测方法
基于物理模型的预测方法通过构建数学模型来描述系统的物理行为和故障发生机制，进而预测潜在的故障模式和失效时间。例如，Michael Pecht教授通过建立失效物理模型，深入探讨最小电路系统和半导体总片的可靠性问题[13]。程宝清等采用小波分析方法进行特征提取，成功建立了基于灰色理论的水电机组预测模型，为水电机组的故障预测提供新的思路[14]。蒋奉兵提出一种创新的在线复位与切除方法，该方法专门针对牵引系统过流故障，并基于牵引力的最优发挥进行设计，能实现故障的智能化自动处理，显著提升列车在发生故障时的安全性、可靠性和可用性[15]，在列车遇到故障时能最大程度地确保其正常运行，减少潜在的安全风险、提高运营效率。李丰辉则对牵引冷却系统温度的影响因素进行深入分析，并揭示基于冷却系统温度和实时环境温度阈值的机理模型在动车组牵引冷却系统温度预警方面的局限性[16]。为弥补这一模型在预防牵引冷却系统过热故障方面的不足，提出了一个综合考虑运行环境空气质量、空气过滤网清洁情况、地域特点等多重因素的解决方案，可以更好地提升预警系统的准确性和有效性，预防牵引冷却系统的过热故障，确保列车的安全运行。徐小明等设计一种城轨列车牵引系统故障预测与健康管理系统方案，通过构建包含车载子系统、车载主系统以及地面大数据平台在内的三层架构，有效实现对电气部件的故障预警，并对牵引系统的健康状况进行全面评估[17]，不仅有望显著提高检修和维护的工作效率，更能进一步增强城轨列车运行的安全性和可靠性，为城市轨道交通的平稳运营提供有力保障。
第3章 基于知识增强的XGBoost故障特征提取方法
3.1 基于主观经验的专家特征集
在列车牵引系统变流器的故障预测领域，传统的数据分析方法可能面临一些挑战。由于系统的复杂性，以及实际运营中故障发生的低频性，这些因素都可能导致传统方法在预测准确性上的局限[69]。例如，低频故障数据的稀缺性使得模型难以从历史数据中学习到有效的故障模式，而系统的复杂性则可能导致关键特征的识别和提取变得困难。然而，领域专家的经验和知识可以为解决这些问题提供宝贵的资源。专家们在长期的工作中积累了对故障发生的模式、原因及其潜在关联关系的深刻理解。这种经验信息是难以通过传统的数据分析方法获得的，但它可以为故障预测模型提供额外的知识支持。本章方法通过邀请列车牵引系统故障专家对专家数据集样本中每个特征进行主观结构化打分，然后利用专家得分均值对样本特征进行排序，基于这种方式将专家知识转化为特征先验信息。
具体地，本文利用工业领域中较为成熟和通用的结构化方法，即风险优先数（Risk Priority Number，RPN），作为综合评价指标以整合专家经验和定量数据分析。RPN方法将严酷度、发生度、探测度作为定量评价指标，以评估和优先处理潜在的风险[70-71]。
第4章 DF-BiL STM-AM时序神经网络故障预测模型
4.1 数据截取
为了实现对列车牵引系统变流器故障的精准预测，本章利用第三章所提出方法从列车运行时产生的大量时序数据中筛选出的更高重要性的数据项作为模型的输入以提高模型的预测精度。针对模型预测过程中对历史信息处理不够灵活、未能充分利用数据中的时序信息的问题，本章提出基于动态遗忘与带有时间戳的自注意力机制的DF-BiL STM-AM列车牵引系统故障预测方法。具体地，BiL STM神经网络依靠其独特的门机制可以实现对重要信息的长期记忆和选择性保留，从而在面对长时序数据时能够更好地捕捉和利用上下文信息，提高预测和分类任务的性能。由于在列车时序数据中存在前一时刻真实值，BiL STM模型预测可通过前一时刻真实值与预测值的绝对误差进一步提升，即动态遗忘（DF，Dynamic Forgetting）。本章首先改进BiL STM网络的遗忘门结构，综合考虑预测绝对误差、单元状态与输入数据确定门的通过率，动态调整单元对历史信息的处理，构建DF-Bi LSTM神经网络。注意力机制（AM，Attention Mechanism）能帮助预测模型从大量特征中聚焦于更需关注的特征信息，从而利用有限的资源来提高预测效率。本章将自注意力机制与DF-BiL STM神经网络相结合，并引入时间戳信息调整自注意力机制，根据时间的相近程度为输入的不同数据信息分配不同的权重，使预测模型更加关注近期数据点，能有效预测牵引系统中故障的发生，为列车运行安全与检修提供有力帮助。
在本文的研究中，在将第三章特征提取得到的高相关度故障特征输入到模型之前，由于数据在时间维度上可能长短不一，还需利用时间窗对数据及其标签进行截取。这种截取操作实际上获取了特征变量原始数据集中的某个特定时间段的数据片段，为后续的模型训练提供了合适的数据输入，并确保输入数据的格式保持一致。
4.2 结合自注意力机制的DF-BiLSTM-AM故障预测模型
4.2.1 BiLSTM预测模型
由于列车上各设备采集的数据具有时序特性，不仅是故障发生时的数据会呈现出异常状态，故障发生前后的数据也存在着紧密的相关性，又因为过去的事件可能对未来有长远的影响，这使得长时序数据故障预测具有其必要性。与目前常见的预测模型Transformer相比，在相同计算代价下，LSTM在对长期依赖关系的建模捕捉能力更为优秀。这是因为，LSTM特有的记忆单元和门控机制能够更有效地捕获和保留长期依赖关系，从而使得LSTM模型具有更为优秀的表现。此外，在信息筛选和保留能力方面，LSTM也更为灵活，这是因为其门控机制赋予了预测模型灵活地决定哪些信息应该被保留、更新或遗忘的能力，有助于避免梯度消失问题，并使模型能在长时间序列上保持有用信息的同时排除无关或噪声信息。因此，在本文基于长时序数据的故障预测情景下，选用LSTM作为基础预测模型更为合适。
但是LSTM在处理列车故障这类长时序数据时，仅考虑了前向信息的输入，忽略了后续上下文的信息，这在一定程度上限制了其预测性能。为了克服这一局限，双向长短期记忆网络（Bi-directional Long Short Term Memory，BiL STM）通过将正向LSTM与反向LSTM相结合，能够同时捕获前向和后向的全面信息，从而在预测结果上往往优于单向的LSTM神经网络。这种双向的信息处理方式使得BiL STM在处理具有时序特性的数据时具有更高的准确性和效率。
第5章 总结与展望
5.2 展望
本文所提出的列车牵引系统故障预测模型尽管可有效预测牵引系统变流器模块故障的发生，但仍存在一些问题，在故障预测上还存在着进步空间。例如，本文通过结合专家经验的方法对日常检修中伴随着牵引变流器故障出现异常的故障特征人工设置初始权重，但未对专家个人经验、工作年限、主观意见等因素加以考虑。后期研究将获取更多的专家意见，对专家经验进行更科学客观的转换使之传入模型的特征更具有代表性。此外，由于部分故障类别数据特征较为相似，本文在对一些特定故障类别会发生识别故障的错误。在之后的研究中将优化模型对数据特征的区分以扩充模型可以预测的故障类别。
参考文献（略）
