高速列车制动系统闸片磨损预测【附代码】
✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，扫描文章底部二维码。
（1）多源制动参数与闸片磨损量的非线性映射模型：
针对高速列车制动过程中闸片磨损受压力、速度、温度、制动次数等多因素耦合影响，建立了一个基于深度信念网络的磨损预测模型DWNet。首先从制动系统中采集每次制动过程的时间序列数据，提取特征：平均制动压力、最高温度、初速度、末速度、滑行距离、制动能量等共12维参数。然后将这些参数输入到由三层受限玻尔兹曼机堆叠而成的深度信念网络中，进行无监督预训练以提取高层抽象特征。预训练后，在顶层添加回归层，使用实际测量闸片厚度（精度0.1mm）作为标签进行有监督微调。在某型动车组实际运营数据（累计50万次制动记录，对应闸片从全新到报废的完整生命周期）上，该模型预测闸片剩余厚度的平均绝对误差为0.35mm，而传统物理模型误差为0.71mm。
（2）基于注意力机制的剩余使用寿命概率预测：
考虑到磨损过程具有随机性和不确定性，提出了一个基于时序注意力与概率输出的预测模型Attn-RUL。该模型使用门控循环单元处理连续的制动事件序列，每个事件的特征向量经过事件级注意力层，学习不同制动事件对当前磨损贡献的权重。然后输出层采用双参数伽马分布假设，分别预测形状参数和尺度参数，从而获得剩余使用寿命的概率密度函数。损失函数为负对数似然。在测试集上，该模型的RUL预测90%置信区间宽度为125个制动事件，实际失效时间落在区间内的比例达到87.6%。同时给出了磨损超过极限阈值的概率值，当概率>0.7时提前30次制动发出预警，虚警率控制在12%。
（3）跨车型迁移的闸片磨损通用模型：
不同型号列车的制动系统和闸片材料存在差异，导致直接使用某一列车训练得到的模型难以直接应用于其他车型。设计了一种领域自适应迁移框架DA-Wear，包含特征提取器（与DWNet共享结构）、领域判别器和回归器。训练时同时在源域（A车型）和目标域（B车型少量标注）上进行对抗训练：特征提取器试图欺骗领域判别器，使其无法分辨特征来自哪个车型，从而学习到车型无关的磨损特征。同时回归器在源域标注数据上优化磨损量预测误差。在仅有B车型100组制动数据的条件下，该框架在B车型上的磨损预测误差由直接迁移的0.68mm降低到0.41mm，接近在B车型上完全监督训练（需1000组数据）的0.37mm水平。,"import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
class RBM(nn.Module):
def __init__(self, n_vis, n_hid):
super().__init__()
self.W = nn.Parameter(torch.randn(n_vis, n_hid)*0.1)
self.v_bias = nn.Parameter(torch.zeros(n_vis))
self.h_bias = nn.Parameter(torch.zeros(n_hid))
def forward(self, v):
h_prob = torch.sigmoid(F.linear(v, self.W.t(), self.h_bias))
return h_prob
def gibbs_sample(self, v, k=1):
for _ in range(k):
h_prob = self.forward(v)
h = torch.bernoulli(h_prob)
v_prob = torch.sigmoid(F.linear(h, self.W, self.v_bias))
v = torch.bernoulli(v_prob)
return v
class DeepBeliefNet(nn.Module):
def __init__(self, layers=[12, 64, 32, 16]):
super().__init__()
self.rbms = nn.ModuleList([RBM(layers[i], layers[i+1]) for i in range(len(layers)-1)])
def pretrain(self, data, epochs=10):
v = data
for rbm in self.rbms:
for epoch in range(epochs):
v_pos = v
h_prob = rbm(v_pos)
v_neg = rbm.gibbs_sample(v_pos)
# contrastive divergence update (简化)
pos_assoc = torch.matmul(v_pos.t(), h_prob)
neg_assoc = torch.matmul(v_neg.t(), rbm(v_neg))
rbm.W.data += 0.01 * (pos_assoc - neg_assoc) / len(v)
rbm.v_bias.data += 0.01 * (v_pos - v_neg).mean(0)
rbm.h_bias.data += 0.01 * (h_prob - rbm(v_neg)).mean(0)
v = h_prob # 下一层的输入
class TimeAttentionGRU(nn.Module):
def __init__(self, input_dim=12, hidden_dim=32):
super().__init__()
self.gru = nn.GRU(input_dim, hidden_dim, batch_first=True)
self.attn = nn.Linear(hidden_dim, 1, bias=False)
def forward(self, x):
out, _ = self.gru(x) # (B, T, H)
attn_weights = F.softmax(self.attn(out), dim=1)
context = (attn_weights * out).sum(dim=1)
gamma_shape = F.softplus(context[:, :1]) + 1
gamma_scale = F.softplus(context[:, 1:])
return gamma_shape, gamma_scale
def gamma_nll_loss(shape, scale, target):
# 负对数似然 for Gamma distribution
log_prob = (shape-1)*torch.log(target) - target/scale - torch.lgamma(shape) - shape*torch.log(scale)
return -log_prob.mean()
class DomainAdversarialNet(nn.Module):
def __init__(self, feature_extractor, regressor, domain_classifier):
super().__init__()
self.fe = feature_extractor
self.reg = regressor
self.dc = domain_classifier
def forward(self, x, alpha=1.0):
feat = self.fe(x)
reg_out = self.reg(feat)
reverse_feat = ReverseLayerF.apply(feat, alpha)
domain_out = self.dc(reverse_feat)
return reg_out, domain_out
class ReverseLayerF(torch.autograd.Function):
@staticmethod
def forward(ctx, x, alpha):
ctx.alpha = alpha
return x.view_as(x)
@staticmethod
def backward(ctx, grad_output):
return grad_output.neg() * ctx.alpha, None
如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇