基于時序數(shù)據(jù)的列車牽引系統(tǒng)故障預測方法

摘" 要： 牽引系統(tǒng)作為列車動能轉(zhuǎn)換的關鍵模塊，如果發(fā)生故障會給整車正常運行帶來重大安全隱患，所以對其進行故障預測具有重要意義。然而，傳統(tǒng)預測方法存在高度依賴人工經(jīng)驗判斷、不能包含大量故障特征、預測精度不足等問題。為此，文中提出一種基于時序數(shù)據(jù)的故障預測方法。利用XGBoost算法對列車牽引變流器系統(tǒng)的故障特征進行計算和篩選，確定與變流器故障相關性較強的關鍵特征；采用貝葉斯優(yōu)化的LSTM模型自適應地學習多源變量數(shù)據(jù)特征，利用時間窗對特征變量數(shù)據(jù)進行截取，實現(xiàn)對不同類型故障的預測。實驗結果表明，所提方法在預測變流器場景下的6種故障時準確率可達到91%以上。

關鍵詞： 牽引系統(tǒng)； 故障預測； 時序數(shù)據(jù)； XGBoost算法； LSTM； 時間窗

中圖分類號： TN911.23?34； TP183" " " " " " " "文獻標識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2025）04?0057?06

Method of train traction system fault prediction based on timeseries data

HE Xinlai， SUN Geng， WANG Minjie， ZHAI Yinan， CHEN Yanlin， YIN Xian， FENG Yanhong

（College of Information Engineering， Dalian Ocean University， Dalian 116023， China）

Abstract： As a key module for the conversion of train kinetic energy， traction system will bring great safety risks to the normal operation of the vehicle if it fails， so it is of great significance to predict its failure. However， traditional prediction methods have problems such as high dependence on manual experience judgment， inability to include a large number of fault features， and insufficient prediction accuracy. On this basis， a method of fault prediction based on timeseries data is proposed. The XGBoost algorithm is used to calculate and screen the fault features of the train traction converter system to determine the key features that are strongly correlated with the converter faults. The LSTM model optimized by Bayes is used to adaptively learn the multi?source variable data features， and the time window is used to intercept the feature variable data to realize the prediction of different types of faults. The experimental results show that The accuracy of the proposed method can reach more than 91% when predicting 6 kinds of faults in converter scenario.

Keywords： traction system; fault prediction; timeseries data; XGBoost algorithm; LSTM; time window

0" 引" 言

牽引系統(tǒng)作為列車的核心組成部分，其穩(wěn)定運行對于整個鐵路運輸?shù)陌踩陵P重要[1]。牽引系統(tǒng)故障會對列車的安全運營產(chǎn)生重要影響，甚至導致列車停止運行，帶來嚴重損失，所以對故障進行預測具有重要意義。近年來，隨著故障預測相關理論的研究逐漸深入，故障預測的方法根據(jù)對象的不同可大致分為以下四種：基于物理模型的預測方法、基于數(shù)學模型的預測方法、基于機器學習的預測方法和基于長短期記憶網(wǎng)絡的預測方法。這些方法各有其特點和適用場景，需要根據(jù)實際情況進行選擇和優(yōu)化。文獻[2]提出了一種城軌列車牽引系統(tǒng)故障預測和健康管理系統(tǒng)設計方案。該方案通過構建車載子系統(tǒng)、車載系統(tǒng)和地面大數(shù)據(jù)平臺的三層結構，實現(xiàn)了電氣部件的故障預警和牽引系統(tǒng)的健康評估。這種設計方案有望大幅提高檢修和維護的效率，進一步確保城軌列車的安全運行。文獻[3]則針對地鐵牽引系統(tǒng)的故障預測問題，提出了一種基于無偏灰色?馬爾可夫模型的預測方法。該方法以受電弓模塊為例，利用無偏灰色模型預測未來故障情況，并結合馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣判斷未來可能的故障狀態(tài)。相比單獨使用無偏灰色預測模型，這種方法的預測精度更高，為列車的安全運營提供了有力保障。但在構建模型過程中，對系統(tǒng)狀態(tài)的劃分會受主觀因素影響。文獻[4]專注于高速列車牽引控制系統(tǒng)中早期微小故障的檢測、診斷和預測，提出了基于ToMFIR殘差的故障檢測機理、T?S模糊系統(tǒng)中的微小故障檢測和診斷方法，以及非線性系統(tǒng)復合傳感器故障的檢測和定位方法，但未提出衡量故障嚴重程度的指標。上述研究為高速列車的安全運行提供了重要的技術支持。

長短期記憶（LSTM）網(wǎng)絡在1997年由Hochreiter等首次提出[5]，彌補了循環(huán)神經(jīng)網(wǎng)絡（RNN）不能“記憶”的問題[6]，憑借其獨特的門機制[7]，在時間序列數(shù)據(jù)預測方面有著更優(yōu)秀的表現(xiàn)[8]。LSTM模型擁有眾多超參數(shù)可供調(diào)整，但使用傳統(tǒng)優(yōu)化方法較難找到最優(yōu)的超參數(shù)方案[9]。而貝葉斯（Bayes）優(yōu)化算法可在更新超參數(shù)之后，通過驗證概率分布的方式來尋找全局最優(yōu)解，從而提高預測精度[10]。

本文提出了一種結合貝葉斯（Bayes）和LSTM的BS?LSTM列車故障預測方法。通過XGBoost算法[11]對傳感器采集到的大量數(shù)據(jù)進行重要性分析，將重要性較高的數(shù)據(jù)特征制成數(shù)據(jù)集。為了充分利用數(shù)據(jù)中不同的特征，使用時間窗[12]對數(shù)據(jù)集中的時序數(shù)據(jù)進行截取轉(zhuǎn)換，之后輸入到經(jīng)貝葉斯優(yōu)化后的BS?LSTM模型中進行故障預測[13]。所提方法較為有效地提高了預測的效率與準確率。

1" 牽引變流器數(shù)據(jù)特征提取

1.1" XGBoost特征選擇

在列車牽引系統(tǒng)中，傳感器數(shù)據(jù)包含多種屬性特征，這些特征對故障預測目標具有不同的相關性。特征選擇是提升數(shù)據(jù)價值和模型效果的關鍵步驟，通過去除無用數(shù)據(jù)干擾來提升模型故障預測效率。

本文引入高效的XGBoost算法。XGBoost算法運用集成學習的策略，通過整合多棵決策樹提升模型的預測性能。在構建這些增強型決策樹的過程中，算法能夠計算出各個特征的重要性得分，實質(zhì)上表明了特征在構建增強決策樹過程中的貢獻和價值。當某個特征在模型中頻繁地被用于構建決策樹時，其重要性自然隨之提升。最終，算法會將這些來自不同決策樹的特征重要性得分進行綜合，以形成一個全面且準確的特征重要性排序。本文使用網(wǎng)格搜索交叉驗證來確定XGBoost算法的最優(yōu)超參數(shù)，再使用調(diào)優(yōu)的XGBoost算法對列車牽引變流器系統(tǒng)的故障特征進行計算和篩選，更好地保留原始信息，避免過度擬合的情況出現(xiàn)；之后與專家經(jīng)驗相結合，確定與變流器故障相關性更加貼合的10個關鍵特征，制成數(shù)據(jù)集以便后續(xù)步驟使用。

1.2" 時間窗數(shù)據(jù)截取

可以將牽引變流器系統(tǒng)傳感器數(shù)據(jù)表示為一個二維矩陣，其中，“列”表示不同特征變量的監(jiān)測時間戳，而“行”則代表不同監(jiān)測變量的屬性值。但這些數(shù)據(jù)伴隨著時序的增加而波動，因此利用時間窗對特征變量歷史數(shù)據(jù)進行截取，從而得到訓練過程中保持時間窗大小不變的數(shù)據(jù)片段。

本文的研究中，在將特征提取得到的高相關度故障特征輸入到模型之前，由于數(shù)據(jù)在時間維度上可能長短不一，還需利用時間窗對數(shù)據(jù)及其標簽進行截取。這種截取操作實際上獲取了特征變量原始數(shù)據(jù)集中的某個特定時間段的數(shù)據(jù)片段，為后續(xù)的模型訓練提供了合適的數(shù)據(jù)輸入，并確保輸入數(shù)據(jù)的格式可以保持一致。整個過程公式如下所示：

[xt=fst：t+m]" " " "（1）

式中：[st：t+m]表示t個連續(xù)的相同時間步的數(shù)據(jù)，t為數(shù)據(jù)起始時刻；[xt]表示轉(zhuǎn)化成的第t時刻模型輸入數(shù)據(jù)信號。

2" 基于BS?LSTM牽引變流器預測方法

本文將LSTM與貝葉斯相結合，充分考慮數(shù)據(jù)的時空特征，將XGBoost算法篩選過的高相關時序故障特征輸入LSTM網(wǎng)絡中進行故障預測。貝葉斯算法用于對LSTM網(wǎng)絡調(diào)優(yōu)，以提高預測精度與工作效率。

2.1" 多變量時間序列分析

首先模型從傳感器中獲得列車運行時所產(chǎn)生的時序數(shù)據(jù)，采樣后的時序數(shù)據(jù)公式如下：

[X=[x1，x2，…，xt，…，xn]]" " "（2）

式中：X為模型輸入；n是序列長度。

2.2" LSTM模型介紹

LSTM通過引入細胞狀態(tài)元素c和門機制，實現(xiàn)了對重要信息的長期記憶和選擇性保留。

LSTM神經(jīng)網(wǎng)絡中的第一個門結構稱為遺忘門，其主要功能是控制并決定前一個時間步的神經(jīng)單元的細胞狀態(tài)中哪些信息應該被“遺忘”或丟棄。遺忘門的更新機制是通過如下公式實現(xiàn)的：

[ft=σWfht-1，xt+bf]" " " （3）

式中：[bf]和[Wf]為遺忘門中的偏置向量和權重矩陣，這兩個參數(shù)會幫助網(wǎng)絡學習如何有效地忘記不必要的信息；[σ]為Sigmoid函數(shù)，作用是將輸入值映射到0～1之間，從而決定哪些信息應該被保留，哪些信息應該被遺忘。

第二個重要的門結構是輸入門，它旨在對當前時刻的輸入[xt]與前一時刻的隱藏層輸出[ht-1]進行調(diào)控和處理。首先，將輸入門的權值矩陣[Wi]與輸入向量[ht-1，xt]進行矩陣乘法，再加上偏置項[bi]，經(jīng)過Sigmoid函數(shù)的非線性映射后產(chǎn)生一個向量[it]；然后，輸入向量[ht-1，xt]經(jīng)過[tanh]激活函數(shù)層生成一個新的向量[Ct]，[Ct]代表當前時刻的候選細胞狀態(tài)。輸入門通過對新輸入的信號特征進行選擇性提取，為后續(xù)運算提供了至關重要的信息。整個處理過程公式如下：

[ it=σWiht-1，xt+biCt=tanhWcht-1，xt+bc]" " （4）

遺忘門和輸入門首先計算[ft]和[it]，隨后細胞單元對細胞狀態(tài)進行更新，如公式（5）所示。使用之前得到的[ft]和[it]兩個向量對當前時刻的細胞狀態(tài)與前一時刻的細胞狀態(tài)進行選擇性保留，形成了當前時刻的細胞狀態(tài)[Ct]。

[Ct=ft×Ct-1+it×Ct]" " " "（5）

LSTM神經(jīng)網(wǎng)絡的第三個門結構是輸出門，其專門負責輸出調(diào)控后的細胞狀態(tài)。它的主要功能在于篩選細胞狀態(tài)中的信息，確定哪些信息應當傳遞至下一時刻或作為當前輸出。如公式（6）所示，輸出門也采用了Sigmoid函數(shù)，生成一個介于0和1之間的比例向量[Ot]，以決定細胞狀態(tài)中應輸出的信息。

[ht=Ot×tanhCtOt=σWoht-1，xt+bo] （6）

2.3" 結合貝葉斯優(yōu)化的BS?LSTM模型

為了提升BS?LSTM神經(jīng)網(wǎng)絡的訓練效率并提高網(wǎng)絡性能，需要對神經(jīng)網(wǎng)絡的超參數(shù)進行優(yōu)化。在超參數(shù)調(diào)優(yōu)的過程中，目前常用的方法包括網(wǎng)格搜索、交叉驗證、隨機搜索等。然而，網(wǎng)格搜索和隨機搜索方法在計算上相對繁重，因為這兩種方法在搜索過程中并不參考先前的評估結果來選擇后續(xù)需要評估的超參數(shù)，這意味著每次的評估都是獨立的，有可能導致在不適合的超參數(shù)上浪費大量的評估時間。

相比之下，貝葉斯優(yōu)化算法展現(xiàn)出了其獨特的優(yōu)勢，它能夠有效地利用過去的評估結果來指導后續(xù)的搜索過程，從而在較短的時間內(nèi)定位到更優(yōu)的超參數(shù)配置。正因如此，貝葉斯優(yōu)化在機器學習領域的超參數(shù)調(diào)優(yōu)中得到了廣泛應用，其應用場景包括但不限于機器人技術、推薦系統(tǒng)以及環(huán)境監(jiān)測等。通過這種方法可以更高效地找到最佳的超參數(shù)組合，進而提升整個系統(tǒng)的性能。

2.3.1" BS?LSTM訓練

1） 初始化超參數(shù)。

2） 將劃分好的訓練集作為模型輸入，對BS?LSTM神經(jīng)網(wǎng)絡進行訓練。

3） 將輸出結果維度修正至與訓練集維度相同，并對超參數(shù)進行不斷更新。

2.3.2" 貝葉斯優(yōu)化

1） 明確需要優(yōu)化的超參數(shù)項目，對超參數(shù)空間進行定義。

2） 對需要優(yōu)化的目標函數(shù)進行明確定義，該函數(shù)將作為評估模型性能的關鍵指標；隨后，將所定義的超參數(shù)引入BS?LSTM模型中進行訓練。

3） 采用高斯過程求解目標函數(shù)的后驗概率分布，并基于這個后驗概率分布對超參數(shù)樣本點進行采樣，優(yōu)先選取表現(xiàn)最優(yōu)的超參數(shù)，從而實現(xiàn)超參數(shù)的有效更新。

高斯過程可以視為多元高斯分布向無窮維的擴展。如果說高斯分布描述了隨機變量的概率分布，那么高斯過程則刻畫了函數(shù)的概率分布。這種方式能夠更加準確地捕捉目標函數(shù)的特性，進而提高超參數(shù)優(yōu)化的效率和準確性。高斯過程可以由均值函數(shù)和協(xié)方差函數(shù)組成，公式如下：

[fx～GPmx，kx，x'] （7）

在第[t]次實驗后，有了數(shù)據(jù)[x1：t，f1：t]，由于高斯過程上任意點[ft+1]與之前的觀測數(shù)據(jù)服從聯(lián)合高斯分布，進一步可以得到預測分布，公式如下：

[Pft+1D1：t，xt+1=Nμtxt+1，σ2txt+1] （8）

4） 不斷更新目標函數(shù)的后驗概率分布和超參數(shù)，如式（9）、式（10）所示，直至滿足模型的要求。

[PIx=Pfx≥fx+=Φμx-fx+σx] （9）

[PIx=Pfx≥fx++ξ=Φμx-fx+-ξσx]""（10）

式中[ξ]為超參數(shù)，可以指導LSTM模型在不同超參數(shù)的設置進行更多的探索，也就可能獲得更優(yōu)的解。

2.3.3" BS?LSTM損失函數(shù)設置

在本文中，采用交叉熵損失函數(shù)對BS?LSTM網(wǎng)絡故障預測模型進行訓練和評估，目標是優(yōu)化模型的預測能力，使其預測結果盡可能地逼近真實數(shù)據(jù)。同時，選擇交叉熵值作為一個重要的評價指標，用于評價輸出與實際發(fā)生的故障情況之間的相似性。這是因為交叉熵值是模型預測的故障類別與實際發(fā)生的故障類別之間吻合程度的直觀展現(xiàn)，若交叉熵值較低，則表明模型的預測結果與實際發(fā)生的故障之間具有較高的匹配度；反之則表明模型的預測存在較大偏差。通過這種方式可以精確地評估模型的性能，并針對其不足之處進行相應的調(diào)整和優(yōu)化。交叉熵計算公式如下：

[Hp，q=-xpxlogq（x）] （11）

式中：[px]表示故障預測期望的概率分布；[q（x）]表示實際的預測概率分布。通過考慮兩種分布的交叉熵可以反映預測故障與實際故障的差距[14]。

3" 實驗分析

3.1" 數(shù)據(jù)集介紹

列車牽引系統(tǒng)的無線傳感網(wǎng)數(shù)據(jù)來自各種信號監(jiān)測設備，如溫度傳感器、電信號傳感器和開關狀態(tài)監(jiān)測器。本文研究基于地面數(shù)據(jù)中心的牽引變流器傳感網(wǎng)數(shù)據(jù)，原始數(shù)據(jù)集中共有125項數(shù)據(jù)，每項數(shù)據(jù)采樣18萬余條。

3.2" 數(shù)據(jù)預處理及特征提取

為了提升BS?LSTM模型的預測效果，本文設計以下5種數(shù)據(jù)預處理方法。

1） 樣本周期修正：針對數(shù)據(jù)采樣周期不一致問題，以電信號采樣間隔30 s為標準，對其他傳感器數(shù)據(jù)進行填補或重采樣，保證數(shù)據(jù)在時域上的一致性。

2） 異常樣本處理：針對部分樣本特征存在缺失的問題，根據(jù)缺失時間長度，分別采用均值補齊或眾數(shù)補齊的方法。

3） 噪聲樣本剔除：針對各種外部因素和測量誤差導致數(shù)據(jù)中引入噪聲問題，根據(jù)行業(yè)經(jīng)驗和實際取值范圍去除離群點信號，提高數(shù)據(jù)質(zhì)量。

4） 故障樣本增強：針對在列車日常運行中故障數(shù)據(jù)與正常數(shù)據(jù)樣本數(shù)量不平衡問題，采用過采樣的方法對少數(shù)發(fā)生故障的樣本進行增強來生成新的樣本，以增加其數(shù)量。

5） 樣本標準對齊：針對樣本特征量綱不同而導致的偏差問題，利用最小最大值標準化（Min?Max Scaler）方法將數(shù)據(jù)縮放至[0，1]的范圍，使它們處于相同的數(shù)量級。通過XGBoost方法篩選出10個高相關度的數(shù)據(jù)特征，如表1所示。

3.3" 模型參數(shù)設置

本文選用自適應梯度算法（AdaGrad）作為優(yōu)化算法以優(yōu)化預測模型。AdaGrad算法的核心優(yōu)勢在于：能夠隨著迭代次數(shù)的增加逐漸自適應地減小學習率，從而實現(xiàn)更精細的學習過程控制。這種自適應策略不僅可以平衡模型的學習速度，還能在一定程度上防止過擬合現(xiàn)象的發(fā)生。因此，采用AdaGrad算法對模型進行優(yōu)化，可以顯著提升模型的性能，使其在保持學習效率的同時更好地適應數(shù)據(jù)，減少泛化誤差。

超參數(shù)的合理配置對模型的整體性能至關重要，不恰當?shù)某瑓?shù)設定可能會對模型的收斂速度和訓練效率產(chǎn)生顯著的負面影響。在實驗階段，為了找到能最大化模型性能的超參數(shù)組合，本文利用實驗數(shù)據(jù)集的一部分數(shù)據(jù)對時間窗大小、學習率以及隱藏層節(jié)點數(shù)等進行了超參數(shù)搜索。

例如，超參數(shù)搜索在10～200的范圍內(nèi)嘗試了不同的隱藏層節(jié)點數(shù)設置，同時將學習率的搜索范圍設置在0.000 1～0.1之間，以探索隱藏層節(jié)點數(shù)與學習率如何聯(lián)合影響模型的特征提取能力和預測精度。通過上述方式獲得最優(yōu)效果對應的隱藏層節(jié)點數(shù)為70，初始化學習率為0.001。此外，通過考察損失函數(shù)值和模型收斂速度來評估不同時間窗大小的效果，結果如表2所示。發(fā)現(xiàn)當時間窗大小設定為40時，損失函數(shù)值最小且模型收斂速度最快。

3.4" 預測模型結果及分析

為了測試基于BS?LSTM故障預測方法在牽引變流器故障工作場景下的預測效果，依據(jù)上述方法設計了完整實驗，超參數(shù)搜索所獲得的針對牽引變流器模塊故障預測任務的最優(yōu)超參數(shù)組合如表3所示。這一組合在保障模型高效收斂的同時，也顯著提升了故障預測的準確率。

本實驗使用訓練集數(shù)據(jù)對BS?LSTM故障預測模型進行訓練，再使用測試集對預測模型進行驗證。在多輪訓練后，模型最終性能達到最佳。模型訓練過程精度和損失變化曲線分別如圖1、圖2所示。

由圖1、圖2可以觀察到，隨著訓練迭代次數(shù)的增加，模型在訓練集與測試集上的準確率都在逐步上升，而訓練集與測試集上的損失函數(shù)值都在逐步下降。在經(jīng)過大約200次訓練后，預測模型的表現(xiàn)趨近于收斂狀態(tài)，訓練集與測試集上準確率分別穩(wěn)定在0.88與0.95左右，損失函數(shù)值則分別穩(wěn)定在0.3與0.2左右。

此外，在訓練的初始階段準確率曲線的上升與損失曲線的下降速度均較快，這一現(xiàn)象說明了預測模型在此階段具有高效的特征學習能力；隨時間的推移，準確率曲線和損失曲線變化波動幅度逐漸減小，這一現(xiàn)象表明預測模型不僅學習效果較為良好，而且具備較強的學習穩(wěn)定性。

LSTM和BS?LSTM多故障預測結果統(tǒng)計分別如表4、表5所示。

4" 結" 論

本文提出了一種基于BS?LSTM算法的列車牽引系統(tǒng)故障預測方案，實現(xiàn)了對6類典型故障的高精度預測。在研究過程中，本文使用XGBoost算法篩選了與變流器故障關聯(lián)度較強的10種特征作為模型的輸入。實驗結果表明，BS?LSTM故障預測方法能夠有效地預測牽引系統(tǒng)變流器大多數(shù)故障，預測精度均高于91%。該方案能夠有效預測變流器故障，為列車設備狀態(tài)的安全監(jiān)管提供了有力支撐。

注：本文通訊作者為孫庚。

參考文獻

[1] 閆洪霞.時速350公里復興號動車組網(wǎng)絡牽引系統(tǒng)：中國鐵道學會科學技術獎特等獎（二十三）[J].鐵道知識，2020（6）：8.

[2] 劉衎，毛琦，李瑮冉，等.城軌車輛牽引系統(tǒng)故障預測與健康管理技術研究及應用[J].現(xiàn)代城市軌道交通，2022（8）：107?113.

[3] 張程，李小波，張浩，等.基于無偏灰色?馬爾可夫模型的地鐵牽引系統(tǒng)故障預測[J].智能計算機與應用，2022，12（5）：56?60.

[4] 吳云凱，周揚，蘇宇.一種基于數(shù)據(jù)驅(qū)動的高速列車懸掛系統(tǒng)早期故障檢測方法：CN113607443A[P].2021?11?05.

[5] HOCHREITER S， SCHMIDHUBER J. Long short?term memory [J]. Neural computation， 1997， 9（8）： 1735?1780.

[6] 程志磊，章國寶，黃永明.基于CNN?LSTM?LOF的過程故障預測模型[J].北京化工大學學報（自然科學版），2024，51（1）：121?127.

[7] KIM K， PARLOS A G. Induction motor fault diagnosis based on neuropredictors and wavelet signal processing [J]. IEEE/ASME transactions on mechatronics， 2002， 7（2）： 201?219.

[8] WANG D， TSE P W， GUO W， et al. Support vector data description for fusion of multiple health indicators for enhancing gearbox fault diagnosis and prognosis [J]. Measurement science and technology， 2011， 22（2）： 025102.

[9] LEI Y， JIA F， LIN J， et al. An intelligent fault diagnosis method using unsupervised feature learning towards mechanical big data [J]. IEEE transactions on industrial electronics， 2016， 63（5）： 3137?3147.

[10] WIDODO A， YANG B S. Support vector machine in machine condition monitoring and fault diagnosis [J]. Mechanical systems and signal processing， 2007， 21（6）： 2560?2574.

[11] CHEN T， GUESTRIN C. XGBoost： a scalable tree boosting system [EB/OL]. [2023?04?18]. https：//www.xueshufan.com/publication/3102476541.

[12] LEI Y， HE Z， ZI Y， et al. Fault diagnosis of rotating machinery based on multiple ANFIS combination with Gas [J]. Mechanical systems and signal processing， 2007， 21（5）： 2280?2294.

[13] GAO Q W， LIU W Y， TANG B P， et al. A novel wind turbine fault diagnosis method based on intergral extension load mean decomposition multiscale entropy and least squares support vector machine [J]. Renewable energy， 2018， 116： 169?175.

[14] LECUN Y， BOTTOU L. Gradient?based learning applied to document recognition [J]. Proceedings of the IEEE， 1998， 86（11）： 2278?2324.

作者簡介：賀鑫來（1998—），男，遼寧鞍山人，碩士研究生，研究方向為機器學習、智能交通。

孫" 庚（1979—），男，回族，黑龍江齊齊哈爾人，碩士研究生，副教授，研究方向為機器學習、嵌入式系統(tǒng)。