主要内容

本书结合高速列车状态监测系统的监测数据，使用深度神经网络相关理论与方法，构建基于图结构的高速列车转向架系统状态预测模型与故障诊断模型。 本书基于 GGC 方法实现了高速列车图结构特征表示GGC 方法以传感器测点作为图结构的节点，基于 GCG 的高速列车转向架状态短时预测方法GCG 方法利用 GRU 模型提取列车转向架的时间特征；基于 GA-GRGAT 的高速列车转向架状态长时预测方法GA-GRGAT 模型使用 GAT 模型提取转向架有向图的空间特征，将 GAT 模型嵌入 GRU 模型提取转向架系统的时间特征，采用注意力机制和Seq2Seq 架构降低多步预测产生的累计误差，使用 GAN 模型构建时间条件序列对历史列车转向架状态信息进行融合；基于 AttGGCN 的高速列车转向架无向图多传感器故障诊断方法AttGGCN 模型使用 GCG 框架融合列车转向架的时空特征；基于 RS-GAT 的高速列车转向架有向图多传感器故障诊断方法RS-GAT 模型使用了 RS-Net 框架，将 RS-Net 中的卷积层替换为 GAT 操作，使用 6 层 GAT 残差单元对列车转向架数据进行深层故障特征提取。