基于间歇故障表征与HSMM-LSTM的铁路电子设备全寿命周期健康状态评估及剩余使用寿命预测

《Mathematics》：A Class of Higher-Order Iterative Methods for Simultaneous Solutions of Nonlinear Equations with Applications to Biological Problems

　　

电子设备对铁路运输至关重要，其性能直接影响列车运行安全。然而，当前运维实践面临设备性能退化未被识别、故障发生后诊断困难以及维护策略粗粒度等问题，这些问题可能导致故障影响范围过宽、缺陷设备持续运行等严重后果。在此背景下，本文提出一种基于间歇故障（IF）的铁路电子设备健康管理方法。在电子设备故障机理分析基础上，通过将故障频率和强度向量融入隐半马尔可夫模型（HSMM）的状态转移概率矩阵，实现间歇故障的数学参数化表征。针对非凸参数估计问题，构建基于群智能的全局优化算法以最大化对数似然目标函数，从而评估设备当前运行状态。随后，利用长短期记忆网络（LSTM）预测的设备观测序列获得任意时间点的剩余使用寿命（RUL）值，该估计可作为主动调整维护决策的依据。在基于真实电源模块故障的实验中，与常规Baum–Welch训练的HSMM方法相比，本文所提方法将状态识别准确率提高2.15%，并将RUL预测的均方根误差（RMSE）降低16.67%，验证了其有效性。

一、研究背景与问题

中国铁路网规模大，电子设备承担列车控制、监测、保护等功能。电子设备全寿命周期由运用与维修反复构成，其健康状态决定现场运维方式。当前主要问题包括：故障诊断多在故障发生后进行，缺乏主动预防手段，定位困难、效率与准确率低；维护策略粗粒度、无差异，主要基于经验而非健康状态，缺少性能退化预警。间歇故障（IFs，非永久、随机重复出现且可在短时间内恢复的故障）在设备中后期约占40%—70%，易导致未发现故障和重测正常，增加成本、重复测试和过度维修。铁路运维场景还具有复杂环境、多维护方式交替、时空多尺度数据等特征。既有健康管理多关注退化规律明确的设备，如轨道、转辙机、电池等，对电子设备关注有限。因此，有必要建立基于IFs的电子设备健康管理方法，实现状态识别与RUL预测，支撑主动维护。

二、研究开展、结论与意义

研究人员提出基于IFs的铁路电子设备健康管理方法：用隐半马尔可夫模型（HSMM，一种可刻画隐状态转移与状态驻留时间的双重随机过程模型）表征性能退化中的状态转移和状态驻留随机性；将IF频率和强度向量融入HSMM状态转移概率矩阵，实现IF参数化表征；针对非凸参数估计，采用群智能优化最大化对数似然，识别设备运行状态；再用长短期记忆网络（LSTM，一种带门控机制的循环神经网络）预测观测序列，获得任意时间点剩余使用寿命（RUL，设备从当前时刻到失效的剩余时间），并解决相同状态在不同时间点RUL等价的问题。研究以真实电源模块IFs案例和同批次10个电源模块高温加速退化试验验证。结论表明：基于粒子群优化（PSO）的HSMM状态识别最优，较传统Baum–Welch方法提高2.15%；RUL预测的均方根误差（RMSE）为0.335，较传统方法降低16.67%，统计检验不足以证明存在系统性高估或低估。其意义在于支持从被动故障响应转向主动预防，为全寿命周期健康管理、维护窗口确定和备件调度提供依据。

三、关键技术与样本来源

关键技术包括：IF机理分析与频率、持续时间、强度特征提取；模糊C均值（FCM）聚类建立特征与状态对应；HSMM刻画状态转移、观测概率和驻留时间；遗传算法（GA）、粒子群优化（PSO）、鲸鱼优化算法（WOA）等群智能算法优化HSMM参数；LSTM单步预测观测序列；结合状态转移点与状态时长分布递推RUL。样本来源：以铁路电源模块IF案例为背景，取同批次10个电源模块进行48 h高温加速退化试验，采样间隔30 min，观测IF次数，每模块96样本、共960样本；模块1—6训练（576观测、516窗口），7—8验证（192、172），9—10测试（192、172）；滑窗L=10，按物理模块划分防泄漏，FCM中心与归一化参数仅用训练集拟合，验证集调参，测试集最终评估。

四、主要研究结果

5.1 间歇故障案例：通过驾驶员机器接口（DMI）黑屏导致列车自动防护（ATP）紧急制动、重启后恢复的现场案例分析及实验室高温测试，定位24 V转5 V电源模块异常；60 °C、6 h测试中5 V电压在355.4—355.8 ms上升段出现波动；机理归因于热应力导致焊点裂纹并诱发IFs，体现随机性、重复性和可恢复性。

5.2 数据预处理与模型初始化：将电源模块寿命状态定义为s₁健康、s₂轻微故障、s₃故障、s₄永久失效；以10模块加速退化数据构建960个样本并按物理模块划分。通过FCM（c=4，m在[1.5,2.5]调节，重复3—10次，第6次轮廓系数最大）建立IF频率与四状态对应；初始化π=[1 0 0 0]，A仅允许当前或下一状态等概率转移，用K-means初始化高斯混合模型（GMM）和时长分布参数，分段积分数为3，并采取数据划分、窗口、聚类、特征工程、训练评估五级防泄漏措施。

5.3 实验结果：

（1）模型训练：以最大迭代20、收敛误差0.001，采用Baum–Welch和前向后向算法估计与计算似然；四状态训练曲线随迭代上升，约10次后收敛，说明群智能增强的HSMM学习较快。

（2）状态识别结果分析：将分段积分后的测试样本输入各状态HSMM，以前向后向最大似然判定状态；传统Baum–Welch对s₁—s₄识别率为97.22%、94.44%、97.22%、97.22%，平均96.53%；GA、PSO、WOA平均为97.22%、98.61%、97.92%，分别提高0.71%、2.15%、1.44%，其中PSO最适。

（3）RUL预测结果分析：用全寿命HSMM和PSO估计参数，LSTM预测下一时刻观测，按状态转移点与状态时长递推计算RUL；LSTM训练损失收敛，测试均方误差（MSE）=0.014、决定系数R²=0.946，表明观测序列预测有效，并据此获得不同时间点RUL。

5.4 讨论与分析

5.4.1 计算复杂度分析：通过比较期望最大化（EM）与GA、PSO、WOA的复杂度，指出EM存在严格时序依赖、难以并行，而群智能算法个体似然计算可并行；在给定条件下，O_GA=O_PSO=O_WOAEM，有效时间显著短，说明采用群智能优化HSMM参数的必要性。

5.4.2 方法鲁棒性分析：以30个滚动预测起点、步长Δ=2构造误差序列，得到均值0.024、样本标准差0.340、平均绝对百分比误差（MAPE）=0.826%、RMSE=0.335；误差围绕零波动，自相关不显著；PSO-HSMM较常规方法MAPE降低34.75%、RMSE降低16.67%。Shapiro–Wilk检验、t检验、Wilcoxon检验、Levene检验和Spearman检验均未显示系统性偏差、阶段间方差差异或时间趋势，表明单设备单寿命周期内预测稳定；但作者指出单案例不足以证明跨设备泛化，未来需多设备、多工况验证。

五、讨论总结与研究结论翻译

讨论部分从计算复杂度和统计稳健性两方面强化了方法依据：群智能算法在HSMM参数估计上较EM更适合长序列、高维状态场景；滚动预测与多项统计检验表明RUL预测未见系统偏差且跨退化阶段稳定，但泛化性仍需扩展验证。研究结论翻译如下：考虑铁路电子设备运维环境复杂、维护方式多样等特征，研究人员建立基于HSMM的健康管理模型，引入IFs表征电子设备性能退化状态。围绕设备状态评估与RUL预测两项关键技术，将群智能优化算法引入HSMM参数估计，以解决模型参数收敛于局部最优的问题；通过基于LSTM预测的观测序列识别状态转移点，解决不同时间点相同状态的RUL等价问题。铁路场景电源模块IFs实验表明，基于PSO的HSMM参数估计在设备状态识别中准确率最高，较传统方法提高2.15%；设备全寿命周期不同时间点RUL预测的RMSE为0.335，较传统方法降低16.67%，统计检验不足以证明所提方法存在系统性高估或低估偏差。该研究为铁路电子设备全寿命周期健康管理提供了有效可行方案。建议未来开展跨设备、跨场景和跨故障类型的实验验证，以优化模型泛化能力并提高鲁棒性，更好适应IFs的随机性和多样性。