基于MSIF-CNN的地铁车辆制动系统故障诊断方法

研究地铁车辆制动系统的故障诊断对保障交通安全、提高运营效率具有重要意义。针对当前的制动系统故障诊断研究存在过度依赖于专家的知识经验、数据融合效率不高以及现有模型训练参数过多的问题,提出了一种基于多传感器信息融合和改进卷积神经网络的“端到端”制动系统故障诊断方法。该方法不需要专家知识对数据进行特征提取,而是利用一维卷积神经网络(1D-CNN)来处理多传感器信息融合问题,并引入一维全局平均池化层(1D-GAP)改进神经网络结构,以减少模型训练参数。最终利用极端梯度提升模型(XGBoost)作为分类判别器,以提高故障诊断的准确性。实验结果表明,所提方法的准确率、精确率、召回率和F1值分别为95.86%、96.59%、92.68%和93.15%,同时,在地铁车辆制动系统故障诊断方面展现了更优的性能。