基于ReliefF-Ada...无绝缘轨道电路故障诊断模型_刘瑞丹.pdf

第 42 卷第 3 期2023 年 6 月兰州交通大学学报Journal of Lanzhou Jiaotong UniversityVol 42 No 3Jun 2023收稿日期:2022-12-29学报网址:https:/lztx cbpt cnki net基金项目:国家自然科学基金(61763023);甘肃省科技计划项目(重点研发计划)(20YF8GA037)作者简介:刘瑞丹(1996 )，女，河北邯郸人，硕士研究生，主要研究方向为轨道电路故障诊断。E-mail:2072687320 qq com文章编号:1001-4373(2023)03-0061-07DOI:10 3969/j issn 1001-4373 2023 03 009基于 eliefF-Adaboost 的无绝缘轨道电路故障诊断模型刘瑞丹，董昱(兰州交通大学 自动化与电气工程学院，兰州730070)摘要:现阶段对 ZPW-2000A 型无绝缘轨道电路的故障判别方式主要是对微机监测数据进行人工分析，但这种方式存在主观性强、判别效率低等问题。为解决上述问题，提出了 eliefF-Adaboost 故障诊断模型对轨道电路进行故障识别。首先，通过分析轨道电路工作原理，初步选取 10 个特征参数;然后，利用 eliefF 算法得到各个特征参数的权重，并按照权重由大到小依次输入到 Adaboost 故障分类器中，筛选出对轨道电路故障诊断最有效的特征参数;最后，将其再次输入到 Adaboost 故障分类器中完成故障识别。仿真结果表明:eliefF-Adaboost 模型故障诊断准确率为 9667%，相较于无特征参数筛选的 Adaboost 模型提升了 2 50%。该模型有效提升了 ZPW-2000A 型无绝缘轨道电路的故障诊断性能。关键词:故障诊断;ZPW-2000A 无绝缘轨道电路;eliefF 算法;Adaboost 算法中图分类号:U284 28文献标志码:AFault Diagnosis Model of Jointless Track Circuit Based on eliefF-AdaboostLIU ui-dan，DONG Yu(School of Automation and Electrical Engineering，Lanzhou Jiaotong University，Lanzhou 730070，China)Abstract:At the present stage，the main way of fault identification for ZPW-2000A jointless track circuitis to manually analyze the microcomputer monitoring data，which has the problems of strong subjectivityand low identification efficiency To solve the these problems，eliefF-Adaboost fault diagnosis model isproposed for track circuit fault identification Firstly，10 characteristic parameters are preliminarily select-ed by analyzing the working principle of track circuit Then，the eliefF algorithm is used to obtain theweight of each feature parameter then input into Adaboost fault classifier in descending order of weightThe most effective feature parameters for fault diagnosis of track circuit are screened out Finally，they areinput again into the Adaboost fault classifier to complete fault identification Simulation results show that:the accuracy of fault diagnosis of eliefF-Adaboost model is 96 67%，which is 2 50%higher than that ofAdaboost model without feature parameter screening，which can effectively improve the fault diagnosis per-formance of ZPW-2000A jointless track circuitKey words:fault diagnosis;ZPW-2000A jointless track circuit;eliefF algorithm;Adaboost algorithm轨道电路对保证列车的运行安全发挥着极其重要的作用，其能够检测线路状态、传递行车信息以及监督区间占用情况1。截至 2022 年 9 月底，全国铁路营业里程达 15 3 万 km，高速铁路运营里程超过兰州交通大学学报第 42 卷4 万 km。随着我国铁路运营里程不断增加，众多新技术应用到了铁路信号系统中，我国列车运行控制系统从 CTCS-0 系统逐渐发展至 CTCS-3 系统，ZPW-2000A 型无绝缘轨道电路是 CTCS-2 系统和 CTCS-3系统的重要组成部分2，但由于 ZPW-2000A 型无绝缘轨道电路结构复杂且部分设备处于室外，因而易发生故障。为解决目前现场对轨道电路故障处理时间长、判别效率低以及工作人员劳动强度大等一系列问题，国内外学者将智能诊断算法应用到了轨道电路故障诊断中。现阶段分类算法在轨道电路故障诊断中应用越来越普遍，并取得了丰富的成果。文献 3利用粗糙集(rough set，S)算法为各子网络提取特征，再将C45 决策树融入各子网来提取诊断规则，实现了轨道电路故障诊断。文献 4 利用深度置信网络挖掘了故障数据的内部特征，并在此基础上结合反向传播神经网络(back-propagation neural network，BPNN)分类器，实现了无绝缘轨道电路故障诊断。文献 5 利用 S 算法对存在冗余特征参数的故障数据进行了特征提取，并将特征提取后的数据输入到模糊认知图(fuzzy cognitive map，FCM)诊断模型中，进而实现了轨道电路的故障识别。文献 6 首先利用主成分分析(principal component analysis，PCA)算法进行特征参数提取，然后利用模拟退火(simulatedannealing，SA)算法和粒子群优化(particle swarm op-timization，PSO)算法对最小二乘支持向量机算法进行改进，提高了诊断精度。文献 7将长短期记忆(long short-term memory，LSTM)神经网络模型应用到轨道电路故障诊断中，通过考虑来自同一地理区域内的多个轨道电路信号，并根据其空间和时间依赖性生成诊断模型。文献 8 利用灰色理论和专家系统对轨道电路常见的几种故障类型进行了故障预测。现有的轨道电路故障诊断研究大多将特征参数筛选与故障识别两部分单独完成，在特征参数筛选时未考虑分类器准确率的变化情况，这使得可以增加准确率的特征参数可能会被剔除，导致准确率变低。针对这一现状，本文提出 eliefF-Adaboost 模型对无绝缘轨道电路进行故障诊断。该模型在轨道电路故障诊断时将特征参数筛选和故障分类 2 个过程进行结合，在得到最优特征子集的同时也保证了故障分类器的准确率。1ZPW-2000A 无绝缘轨道电路1 1轨道电路工作原理随着铁路交通的快速发展，交通安全已成为人们关注的焦点。ZPW-2000A 轨道电路可以向列车传递行车信息9，其主要由室内设备和室外设备组成10。室内设备发送器产生的移频信号具有精度高和稳定性强的特点，该移频信号通过主轨道电路和小轨道电路传输至本区段接收器和列车运行前方相邻区段接收器进行处理，其中:经小轨道电路传输至列车运行前方相邻区段接收器进行处理完成的信号以小轨道状态条件(小轨 XG，小轨回 XGH)形式反馈至本区段轨道电路接收器;本区段轨道电路接收器将接收到的信号进行判断，无误后动作本区段轨道继电器(GJ)，轨道继电器的吸起和落下分别对应轨道电路的空闲和占用。图 1 为 ZPW-2000A 轨道电路结构图。1 2轨道电路故障分析描述轨道电路故障主要有 2 种方式:一是根据故障现象进行描述，无车占用时轨道电路出现红光带现象，有车占用时轨道电路出现分路不良现象;二是根据电压的变化进行描述，当设备发生故障时，会引起相应的电压在标准值范围之外波动。各设备电压的标准值参考 ZPW-2000A 轨道电路技术规范11。本文通过分析各设备工作原理和电压特性并结合现场维修人员在故障判别时选取的主要测试参数12，初步选取了 10 个特征参数，见表 1。ZPW-2000A 无绝缘轨道电路有多个信息采集点，对选取的 10 个特征参数采集点在图 1 中进行了标注。根据现场提供的轨道电路故障数据资料并结合前人对轨道电路故障诊断的研究2-6，得到了常见的故障类型以及对应的故障描述(见表 2)，归一化处理后部分故障数据见表 3。由于轨道电路系统构成复杂，当只有一种设备发生故障时，往往会引起多个电压在标准值范围之外波动，当某单一电压不在标准范围之内也有可能对应多种故障类型13。例如，当接收端调谐区发生故障时会引起包含轨出 1 电压在内的至少 4 种电压发生不同形式的变化，当轨出1 电压出现异常时可能会产生的故障类型有发送器故障和主轨道故障等14-16。26第 3 期刘瑞丹等:基于 eliefF-Adaboost 的无绝缘轨道电路故障诊断模型图 1ZPW-2000A 型轨道电路构成Fig 1ZPW-2000A track circuit composition表 1特征参数及其标准值Tab 1Characteristic parameters and standard values符号特征参数标准值U1/mV主轨入电压170U2/mV小轨入电压42U3/mV轨出 1 电压240U4/mV轨出 2 电压 100，300U5/VGJ 电压20U6/VXG 电压20U7/V小轨检 XGJ 电压20U8/V发送功出电压 73，178U9/V发送电源电压 23 5，24 5U10/V电缆模拟网络盘设备侧电压 73，1782基于 eliefF 算法筛选特征参数2 1eliefF 算法eliefF 是一种常见的特征参数筛选算法17，其对每个特征参数的分类能力进行重要性评估，具有计算复杂度低和通用性能佳的优点。eliefF 算法的原理是对每个特征参数赋予权重，依据每个特征参数在同类样本和异类样本的划分能力评估特征参数与类别的关联程度。某一特征参数对故障分类贡献度越高，则赋予该特征参数的权重越大;反之，赋予该特征参数的权重越小。对于多分类问题，eliefF 算法的解决思路为:1)在训练集 S 中随机抽取 1 个样本0;2)在训练集 S 中随机抽取 k 个样本 H1 Hk(与0同类别);3)在训练集 S 中随机抽取 k 个样本 M1(C)Mk(C)(与 0不同类别);4)根据权重公式计算特征参数的权重;5)重复前 3 步 m 次，并更新特征参数的权重。权重公式18 如式(1)所示。W(T)=W(T)1mkkj=1Xdiff(T，0，Hj)+1mkCC(0)p(C)1 p(C(0)kj=1Xdiff(T，0，Mj(C()(1)式中:T 为某一特征参数;W(T)为特征参数 T 的权重，初始值为 0;m 为循环次数;Xdiff(T，0，Hj)表示同种故障类别的 2 个样本在特征参数 T 上的差;C(0)是样本 0的类别;p(C)是类别 C 所占的比例;Xdiff(T，0，Mj(C)表示不同故障类别的 2 个样本在特征参数 T 上的差。36兰州交通大学学报第 42 卷表 2ZPW-2000A 轨道电路常见故障类型Tab 2Common faults of ZPW-2000A track circuit序号故障类型主要故障描述1正常轨道电路各设备正常工作2发送器故障24 V 电源正常，发送功出电压异常，轨出 1 电压降低3主轨道故障主轨入电压降低，轨出 1 电压降低4接收端调谐区故障主轨入电压降低，小轨入电压降低，轨出 1 电压降低，轨出 2 电压降低5衰耗盒故障轨出 1 电压异常，轨出 2 电压异常，XG 电压降低6接收器故障轨道继电器电压有较大幅度波动表 3归一化后的部分故障数据Tab 3Part of the normalized fault data数据编号U1/mVU2/mVU3/mVU4/mVU5/VU6/VU7/VU8/VU9/VU10/V故障类型10 7130 6830 8800 6930 9930 9770 9810 9110 8000 905120 3160 7260 2970 6270 4140 9810 2660 0260 8000 033230 0220 7100 0190 6890 4070 9770 9810 9110 7000 906340 3340 2240 3200 1850 3190 3360 9810 9090 8000 897450 6130 7150 0020 2350 3920 3500 9810 9230 8000 930560 7010 6920 8790 6950 0110 9770 9810 9310 7000 90762 2故障诊断模型最优特征子集确定方法在筛选特征参数时，通常需人为设定 1 个阈值，将计算出的每个特征参数权重与阈值进行比较，并把大于阈值的特征参数组成系统故障识别的最优特征子集。这种方式在选择阈值时具有主观性并且与分类器脱节，因而，本文在特征参数筛选时，采用一种与分类器相联系的顺序前向选择判定方法19。该方法首先将特征参数按照权重大小由高到低进行排序;然后将权重最大的特征参数输入到 Adaboost故障分类器中，获得初始的故障分类准确率;随后依次将下一个权重稍低的特征参数与前面输入的特征参数构成新的输入特征集;接着将其输入到故障分类器中，并计算相应的故障分类准确率(每添加 1个新的特征参数，计算 1 次故障分类准确率，直到10 个特征参数依次加入完毕);若加入某个特征参数后故障分类准确率下降，则剔除该特征参数。采用这种方法去除冗余的特征参数，在得到最优特征子集的同时也保证了故障分类器的准确率。将得到的最优特征子集作为故障分类器的输入数据进行轨道电路故障诊断。eliefF 算法具有不确定性，每次的计算结果可能会略有不同，因此，本文中每个特征参数的权重采用多次运算后所获得的平均值。3基于 Adaboost 算法进行故障诊断3 1Adaboost 算法Adaboost 算法可应用于大多数分类问题 20。Ada-boost 算法是目前最具有代表性的一种提升算法，该算法采用多个弱分类器联合训练，弱分类器结构简单，不易过拟合，保证了整体的泛化能力 21。Adaboost 算法整体思路是:每次训练1 个弱分类器，依照该弱分类器的分类结果为其赋予相应的分类权重，同时增加在训练过程中被分类错误的样本权重，减少在训练过程中被分类正确的样本权重 22，使得分类错误的样本在下一次训练时获得更多的注意;利用权重更新后的训练样本完成对下一个弱分类器的构建;当训练的弱分类器数量达到设定值时完成弱分类器构建工作，并将获得的弱分类器集合看作为 1 个强分类器;在强分类器中，弱分类器的权重与分类错误率负相关。3 2Adaboost 故障分类器训练流程Adaboost 故障分类器训练流程框图如图 2 所示，构建步骤如下:1)利用最优特征子集完成对 Adaboost 故障分类器的训练。为每个训练样本(x1，y1)，(x2，y2)，(xt，yn)赋予相同的初始权重，xt为特征参数，yn为该训练样本的故障类型，使用向量 D 表示组成的训练样本集权重。2)利用训练样本集对弱分类器(使用单层决策树作为弱分类器 Wj)进行训练，得到弱分类器对训练样本集的分类错误率，其计算公式见式(2)。=分类错误的样本数/总样本数(2)3)求解当前弱分类器在加权多数表决时的权46第 3 期刘瑞丹等:基于 eliefF-Adaboost 的无绝缘轨道电路故障诊断模型重，其计算公式见式(3)。=ln(1 )/)/2(3)4)依据上一次训练结果，调整训练样本的权重值，使得分类错误的样本在下一次训练时获得更多的关注。以第 i 个训练样本为例更新训练样本权重，其计算公式见式(4)。Dt+1i=Dtiexp()/S(D)(4)式中:Dti为第 i 个训练样本对第 t 个弱分类器训练的样本权重;Dt+1i为第i个训练样本对第t+1个弱分类器训练的样本权重;取值为 1 或1;S(D)为全部的训练样本权重之和。5)根据式(4)更新训练样本集权重后训练下一个弱分类器，重复步骤 2)4)。当弱分类器数目达到 50 个以后，训练集准确率达到最高且趋于稳定，停止计算。将得到的 50 个弱分类器组合为强分类器，表达形式见式(5)。W(x)=argmaxJj=1j Wj(x)=yn(5)式中:x 为轨道电路故障样本，Wj(x)为各个弱分类器对样本 x 的诊断结果，J 为弱分类器个数。图 2Adaboost 故障分类模型Fig 2Adaboost fault classification model4ZPW-2000A 轨道电路故障诊断实例验证4 1eliefF-Adaboost 故障诊断模型eliefF-Adaboost 故障诊断模型整体框架如图 3所示。图 3eliefF-Adaboost 故障诊断模型框图Fig 3Structure of eliefF-Adaboost fault classificationmodeleliefF-Adaboost 故障诊断模型的详细步骤为:1)通过分析轨道电路故障数据及其工作原理，初步选取特征参数，生成轨道电路故障数据集;2)利用eliefF 算法对特征参数进行加权排序;3)筛选出对轨道电路故障诊断最有效的特征集合;4)将最优特征子集分为训练集和测试集;5)用训练集训练 Ad-aboost 分类模型;6)用测试集对分类模型进行测试，对测试结果进行分析，进而对分类器性能进行评价。4 2模型最优特征子集特征参数过多会影响故障分类器性能，本文利用 eliefF-Adaboost 模型在保证分类能力不变的前提下筛选出对轨道电路故障诊断最有效的特征参数。首先利用 eliefF 算法评估选取的 10 个特征参数在轨道电路故障诊断中的重要性，如图 4 所示。10 个特征参数权重按从大到小排序，依次为轨出 1电压 U3、XG 电压 U6、主轨入电压 U1、GJ 电压 U5、轨出 2 电压 U4、小轨入电压 U2、XGJ 电压 U7、发送功出电压 U8、电缆模拟网络设备侧电压 U10和发送电源电压 U9，其中:轨出 1 电压 U3的权重最大，表明在轨道电路故障识别过程中轨出 1 电压 U3的贡献度最大;发送电源电压 U9的权重最小，表明在轨道电路故障识别过程中发送电源电压 U9的贡献度最小。根据 2 2 节描述的选择最优特征子集判定方法，将特征参数按照权重由大到小依次输入到分类器中，因此制定了 10 种不同的特征参数组合形式，见表 4。Adaboost 分类器的分类准确率随特征参数逐一56兰州交通大学学报第 42 卷加入的变化趋势如图 5 所示。由图 5 可知:当特征参数达到 8 个时，分类准确率达到最大值，因此剔除权重排名为 9 和 10 的 2 个特征参数;由于权重排名在第 4 位(GJ 电压)和第 7 位(XGJ 电压)特征参数的加入使得分类准确率出现下降，因此将这 2 个特征参数剔除。综上分析，eliefF-Adaboost 模型筛选出的特征参数有 6 个，分别为轨出 1 电压 U3、XG 电压 U6、主轨入电压 U1、轨出 2 电压 U4、小轨入电压U2和发送功出电压 U8。图 4各个特征参数权重Fig 4Weight of each characteristic attribute表 410 种特征参数组合的输入方案Tab 4Input scheme of 10 kinds of characteristic para-meter combination序号特征参数组合方案1U32U3，U63U3，U6，U14U3，U6，U1，U55U3，U6，U1，U5，U46U3，U6，U1，U5，U4，U27U3，U6，U1，U5，U4，U2，U78U3，U6，U1，U5，U4，U2，U7，U89U3，U6，U1，U5，U4，U2，U7，U8，U1010U3，U6，U1，U5，U4，U2，U7，U8，U10，U94 3仿真结果对比分析本文的训练数据为 240 组，测试数据为 120 组，其中:训练数据包括 46 组正常样本、40 组发送器故障样本、36 组主轨道故障样本、34 组接收调谐单元故障样本、40 组衰耗盒故障样本和 44 组接收器故障样本;测试数据包括 23 组正常样本、20 组发送器故障样本、18 组主轨道故障样本、17 组接收调谐单元故障样本、20 组衰耗盒故障样本和 22 组接收器故障样本。将 eliefF-Adaboost 模型筛选出的 6 个特征参数输入到 Adaboost 故障分类器，分类结果如图 6 所示，分类准确率为9667%，诊断时间为273 s;将全部特征参数输入到 Adaboost 故障分类器，分类结果如图 7所示，分类准确率为9417%，诊断时间为 227 s。具有特征参数筛选的 eliefF-Adaboost 模型相较于无特征参数筛选的 Adaboost 模型虽然诊断时间有所增加，但准确率提升了 2 50%，这表明，特征参数筛选可以有效提升 ZPW-2000A 型无绝缘轨道电路的故障诊断性能。图 5特征参数与分类准确率关系Fig 5elationship between feature attributes and class-ification accuracy图 6eliefF-Adaboost 分类结果Fig 6eliefF-Adaboost classification results现阶段，常见的轨道电路故障诊断算法有 C4 5决策树和 S-FCM。在相同数据集下，eliefF-Ada-boost 算法与 C4 5 决策树、S-FCM、Adaboost 算法对轨道电路进行故障诊断的准确率和诊断时间见表66第 3 期刘瑞丹等:基于 eliefF-Adaboost 的无绝缘轨道电路故障诊断模型5。由表 5 可以看出:eliefF-Adaboost 算法相较于S-FCM 算法在准确率和诊断时间两方面均有优势;相较于 C4 5 决策树算法，虽然诊断时间有所增加，但准确率有较大提升。图 7Adaboost 分类结果Fig 7Adaboost classification results表 5不同算法准确率比较Tab 5Accuracy comparison of different algorithms算法准确率/%诊断时间/seliefF-Adaboost96 672 73Adaboost94 172 27S-FCM92 502 81C4 5 决策树88 331 535结论本文针对 ZPW-2000A 无绝缘轨道电路故障诊断准确率低和效率低等问题，提出了 eliefF-Ada-boost 故障诊断模型，实现了故障快速定位，降低了工作人员劳动强度。1)利用 eliefF 算法计算了初步获取的 10 个特征参数的权重，并按照权重由大到小依次输入到Adaboost 故障分类器中，筛选出了 6 个最有效的特征参数，分别为轨出 1 电压、XG 电压、主轨入电压、轨出 2 电压、小轨入电压和发送功出电压。2)将6 个最有效的特征参数组合为最优特征子集，再次输入至 Adaboost 故障分类器中，完成轨道电路故障识别。仿真结果表明:eliefF-Adaboost 模型的故障诊断准确率可达到 96 67%，相较于无特征参数筛选的 Adaboost 模型提升了 2 50%;与常见算法对比的结果证明了本文算法的诊断准确率较高。参考文献:1 于晓英，董煜，董昱 基于多方法证据融合的轨道电路故障诊断 J 铁道学报，2021，43(2):86-94 2 康伟 ZPW-2000 轨道电路故障分析及研究 D 北京:中国铁道科学研究院，2019 3 朱文博，王小敏 基于组合决策树的无绝缘轨道电路故障诊断方法研究 J 铁道学报，2018，40(7):74-79 4 谢旭旭，戴胜华 基于深度学习的无绝缘轨道电路故障诊断研究 J 铁道学报，2020，42(6):79-85 5 董昱，陈星 基于粗糙集和模糊认知图的 ZPW-2000 轨道电路故障诊断 J 铁道学报，2018，40(6):83-89 6 陈光武，高亚丽，焦相萌 基于自适应变异 SAPSO-LSS-VM 的轨道电路故障诊断J 北京交通大学学报，2021，45(2):1-7 7BUIN T D，VEBET K，BABUSKA ailway trackcircuit fault diagnosis using recurrent neural networks J IEEE Transactions on Neural Networks and LearningSystems，2017，28(3):523-533 8 HU L Q，HE C F，CAI Z Q，et al Track circuit fault pre-diction method based on grey theory and expert system J Journal of Visual Communication and Image epre-sentation，2019，58:37-45 9 ZHENG Z Y，DAI S H，XIE X X esearch on fault detec-tion for ZPW-2000A jointless track circuit based on deepbelief network optimized by improved particle swarm opti-mization algorithmJ IEEE Access，2020，8:175981-175997 10 董昱 区间信号与列车运行控制系统M 北京:中国铁道出版社，2008 11 北京全路通信信号研究设计院有限公司 ZPW-2000轨道电路技术:TB/T 3206 2017S 北京:中国铁道出版社，2017 12 李文海 ZPW-2000A 移频自动闭塞系统原理、维护和故障处理 M 北京:中国铁道出版社，2010 13 臧浩月 基于集对分析的 ZPW-2000A 轨道电路故障诊断 D 兰州:兰州交通大学，2021 14 张振海，蔺苗苗，党建武 基于粗糙集和图论的 ZPW-2000A 轨道电路故障诊断模型 J 计算机应用与软件，2019，36(9):88-92 15 宋关怀 利用主小轨电压判断 ZPW-2000A 轨道电路故障范围 J 铁道运营技术，2015，21(3):22-23 16 陈星，董昱 基于模糊认知图模型的轨道电路故障诊断 J 铁道科学与工程学报，2017，14(9):1983-1989(下转第 78 页)76兰州交通大学学报第 42 卷ic force microscopeJ J Mechanical Engineering Sci-ence，2012，227(8):1730-1741 12 梁利娜 原子力显微镜悬臂梁的振动分析 D 北京:北京交通大学，2016:56-68 13 王飞 原子力显微镜微悬臂梁刚度测量研究 D 哈尔滨:哈尔滨工业大学，2010:98-103 14 DANIEL C，ALEXANDE G，JOHAN D Periodic solu-tions of a tapping mode cantilever in an Atomic ForceMicroscope with harmonic excitationJ Communica-tions in Nonlinear Science and Numerical Simulation，2022，110(1):2 15 SHAHIA D，MOHAMMAD A A vibration analysis ofa cracked micro-cantilever in an atomic force microscopeby using transfer matrix methodJ Ultramicroscopy，2019，196(1):34-37 16 张泰华，杨业敏，赵亚溥 MEMS 材料力学性能的测试技术 J 力学进展，2002，32(4):545-562 17 YI T，KIM C J，et al Measurement of mechanical proper-ties for MEMS materialsJ Measurement Science andTechnology，2006，10(1):706-716 18SIAM S，BHUSHAN B Development of AFM basedtechnique to measure mechanical properties of nanoscalestructures J Sensors and Actuators A 2002，11(1):338-351 19 PETEKA D，ENDES A，HAAS G，et al Combined KerrMicroscope and Magnetic Force Microscope For VariableTemperature Ultrahigh Vacuum Investigations J eviewof Scientific Instruments2003，74(5):2744-2748 20 KULL A，HISCH P，OTHE C，SCHIFIN A Arti-ficial intelligence driven scanning probe microscopy J Common Phys 2020，3(1):54 21XU F，GUO X，XU L，et al Mechanical vibration meas-urement of solidly mounted resonator in fluid by atomicforce microscopy J Micromachines 2017，8(1):244 22 JAZI MM，GHAYOU M，ZIAEI-AD S，E M Miandoabeffect of size on the dynamic behaviors of atomic forcemicroscopes J Microcyst Technol 2018，24(1):1755 23 PAI N，WANG C，LIN D T Bifurcation analysis of a mi-crocantilever in AFM systemJ J Franklin Inst 2010，347(7):1353-1367 24鲁丽 非线性板状结构流固耦合复杂响应的研究 D 成都:西南交通大学 2006:122-126(责任编辑:柴宗刚)(上接第 67 页)17 KILICASLAN S，ADEM K，CELIK M Diagnosis and clas-sification of cancer using hybrid model based on eliefFand convolutional neural network J Medical Hypotheses，2020，137:109577-109587 18 ZHANG Y，EN X，ZHANG J Intrusion detection meth-od based on information gain and eliefF feature selec-tion C/2019 International Joint Conference on NeuralNetworks Budapest:IEEE Press，2019:1-5 19 张东彦，杨玉莹，黄林生，等 结合 Sentinel-2 影像和特征优选模型提取大豆种植区J 农业工程学报，2021，37(9):110-119 20 李泽林，刘成颖 基于 Adaboost 算法的环抛机盘面钝化程度分类 J 清华大学学报(自然科学版)，2021，61(9):986-993 21 JAVED A，JALIL Z，MOQUAB S A，et al Ensem-ble Adaboost classifier for accurate and fast detection ofbotnet attacks in connected vehicles J Transactions onEmerging Telecommunications Technologies，2020，10(33):4088-4106 22 艾鑫，刘永阔，蒋利平，等 基于 iForest-Adaboost 的核电厂一回路故障诊断技术研究J 核动力工程，2020，41(3):208-213(责任编辑:顾桂梅)87