基于联邦学习的多线路高速列车转向架故障诊断.pdf

文章编号：0258-2724(2024)01-0185-08DOI:10.3969/j.issn.0258-2724.20220120专栏：机械装备故障预测与健康管理（PHM）前沿技术基于联邦学习的多线路高速列车转向架故障诊断杜家豪，秦娜，贾鑫明，张一鸣，黄德青（西南交通大学电气工程学院，四川成都611756）摘要：单一线路高速列车转向架缺少足量故障数据特征，导致故障诊断模型泛化能力有限，为实现诊断多条线路高速列车的转向架故障，提出一种基于联邦学习的转向架全局故障诊断方法.针对每条线路各自的转向架振动信号，在本地使用多尺度卷积融合算法，提取不同尺度下的故障特征并融合，在本地建立局部转向架故障诊断模型；在不泄露数据隐私的前提下，所有线路的故障诊断模型通过第三方聚合，调整模型参数权重，对故障诊断模型进行优化，最终实现多方联合训练转向架全局故障诊断模型.实验表明：在联邦学习框架下，转向架全局故障诊断模型不仅对参与联邦建模的线路转向架故障诊断准确率达到 93%以上，而且对于未参与联邦建模的线路转向架故障诊断率也可达到 75%以上，给轨道交通中的“数据孤岛”问题提供了一种切实可行的方案.关键词：联邦学习；故障诊断；转向架；高速列车中图分类号：TP391.41文献标志码：AFault Diagnosis of Multiple Railway High Speed Train Bogies Based onFederated LearningDU Jiahao,QIN Na,JIA Xinming,ZHANG Yiming,HUANG Deqing(SchoolofElectricalEngineering,SouthwestJiaotongUniversity,Chengdu611756,China)Abstract:Tosolvetheproblemoflimitedgeneralizationabilityoffaultdiagnosismodelcausedbythelackofsufficientfaultdatacharacteristicsofsinglerailwayhigh-speedtrainbogie,andtorealizethediagnosisofbogiefaultsofmultiplerailwayhigh-speedtrains,aglobalbogiefaultdiagnosismethodbasedonfederatedlearningisproposed in this work.Firstly,according to the bogie vibration signals of each railway,the multi-scaleconvolutionfusionalgorithmisconductedlocallytoextractandfusethefaultfeaturesatdifferentscales,andthebogie fault diagnosis model is established locally.On the premise of not divulging data privacy,the faultdiagnosismodelsofallrailwaysareaggregatedbythethirdparty,theweightsofmodelparameterareadjusted,thefaultdiagnosismodelsareoptimized,andfinallytheglobalfaultdiagnosismodelofbogieisjointlytrainedbymultiple railways.The experiments show that under the federated learning framework,the fault diagnosisaccuracy of the global bogie fault diagnosis model is reach more than 93%for the railway participating infederatedmodeling,andmorethan75%fortherailwaynotparticipatingin,whichprovidesapracticalschemeforthedataislandprobleminrailwaytransportation.Key words:federatedlearning;faultdiagnosis;bogie;highspeedtrain收稿日期：2022-02-22修回日期：2022-05-19网络首发日期：2022-05-25基金项目：国家自然科学基金（62173279，U1934221）；四川省科技计划（2022YFG0247，2021JDJQ0012）；中央高校基本科研业务费（2682021ZTPY027）第一作者：杜家豪（1996），男，博士研究生，研究方向为人工智能与模式识别，E-mail：通信作者：秦娜（1978），女，副教授，博士，研究方向为智能信息处理、故障诊断、模式识别、联邦学习和智能系统，E-mail：引文格式：杜家豪，秦娜，贾鑫明，等.基于联邦学习的多线路高速列车转向架故障诊断J.西南交通大学学报，2024，59(1)：185-192DUJiahao,QINNa,JIAXinming,etal.FaultdiagnosisofmultiplerailwayhighspeedtrainbogiesbasedonfederatedlearningJ.JournalofSouthwestJiaotongUniversity,2024，59(1)：185-192第59卷第1期西南交通大学学报Vol.59No.12024年2月JOURNALOFSOUTHWESTJIAOTONGUNIVERSITYFeb.2024高速列车作为铁路运输的重要工具，必须首先保证其安全运营.转向架的运维是影响列车安全运行的因素之一1.转向架作为高速列车的主要结构，提供列车动力的同时也负载着车体的重量，为列车的安全稳定运行提供重要保障.转向架可以吸收和减少由于轨道不平顺和轮轨磨耗产生的振动，因此，其机械性能对高速列车的安全可靠性有着显著影响.我国“CRH”系列高速动车组上安装的减振器以油压减振器为主，通常包括二系横向减振器、空气弹簧和抗蛇行减振器等.横向减振器（lateraldamper,LD）可抑制转向架和车体之间的相对横向运动.裂纹和漏油是横向减振器比较常见的故障，一旦其失效将降低列车运动的稳定性，进而使列车横向失稳2.空气弹簧（airspring,AS）可抑制转向架和车体之间的垂向运动.由于空气弹簧气密性要求严格，长期运营易发生漏气等故障3.抗蛇行减振器（anti-yawdamper,AD）安装在车体与转向架之间，为防止动车组在高速运行时发生蛇行失稳而设置.减振器漏油是比较常见的故障，减振器漏油，减振器的阻尼会变小，如果渗漏过多，会导致减振器完全失去减振作用4.近几十年来，国内外学者在列车转向架的故障诊断方面已经做了许多研究工作，主要分为基于解析模型的方法和基于数据驱动的方法.基于解析模型的转向架故障诊断方法主要根据转向架振动机理构建数学解析模型，分析残差信号，进而实现故障诊断.文献5针对转向架的执行器故障检测问题，采用模型动态分解的方法，构建一阶、二阶的动态模型，进而设计观测器估计执行器动态性能.文献6针对转向架的弹簧、减振器以及加速度计等多故障检测问题，提出交互多模型和卡尔曼滤波器相结合的方法，估计转向架多故障概率和系统状态.由于在建立复杂非线性系统的解析模型时不确定性大，具有较高的误报率、漏报率.而基于数据驱动的转向架故障诊断方法主要通过传感器采集转向架的振动信号，分析发掘出其中的故障特征，进而实现故障诊断.为研究转向架故障类型与性能退化评估的问题，文献7提出一种 M-CRNN（multipleconvolutionalrecurrentneuralnetwork）的多任务并行学习的故障诊断框架.为研究故障隔离问题，文献8从横向减振器的传感器信号中提取 4 个时域故障特征以及3 个频域故障特征，与 D-S（dempster-shafer）证据理论结合，实现了准确隔离识别.此外，文献9提出一种多维端到端 CNN（convolutionalneuralnetwork）模型，该模型在各种工作条件下均表现出显著适应性和高效性.机器学习用于机械系统的故障诊断的案例已经十分普遍，实现了很好的诊断性能，尤其是深度学习的使用，实现了极高的诊断精度10.然而，现有的深度学习方法普遍要求使用大量带有高质量标签的监督数据进行故障诊断.在实际工业场景中，由于铁路的运行环境不同，线路的路况不同，针对在不同运营线路上的高速列车，其转向架通常包含体现自身常发故障的特征数据，且故障数据是小规模的、碎片化的，只通过单一线路训练得到的模型只适用于本条线路，泛化能力差.而且，如果聚集多个不同工业环境中的数据，会极大地增加经济成本，同时会引发数据的隐私泄露问题.这使得数据驱动的方法在实际工业环境中诊断故障存在一定的局限性11.针对上述“数据孤岛”现象12，研究人员提出一种基于分布式的联邦学习模型训练方法，在保护数据不外泄的同时，实现多个数据持有方共同训练一个模型.因此，为实现诊断多条线路高速列车的转向架故障，本文提出一种基于联邦学习的故障诊断方法，在单一线路故障特征不足的情况下，多条线路联合训练一个泛化能力强的转向架故障诊断模型13-14.1 基本原理与方法设计为提高各线路高速列车转向架本地故障诊断模型的识别效果，使用多尺度卷积融合算法 Multi-1D-CNN 从不同尺度提取振动信号的隐含特征，提升模型的数据解析能力.保证线路之间数据在不泄露的前提下，通过联邦学习对各线路转向架的本地故障诊断模型进行加权聚合，融合多线路转向架故障特征，并通过不断迭代，最终训练出可诊断多条线路高速列车转向架故障的全局诊断模型，提升故障诊断模型的泛化能力.1.1 转向架本地故障诊断模型搭建武广线上高速列车转向架不同运行工况下的振动信号如图 1 所示，其在时域上呈现出不同变化规律的振动特性.而在频域上，振动信号频率主要集中在0,50Hz，由于轨道不平顺，在1,5Hz 振动明显.通过小波包分解，可得到转向架在正常运行、三大关键部件（AS、AD、LD）单独故障及两两组合（AS+AD、AS+LD、AD+LD）的复合故障下振动信号的186西南交通大学学报第59卷小波能量矩，如图 2 所示.小波包分解在频域上将振动信号分解成多个区间不同的频带，不同运行工况的特征在分解频带之间存在差异，而普遍在频率较低的第 1、2 频带上小波能量矩最高.针对上述转向架不同工况特征，一维卷积神经网络（1D-CNN）可挖掘其振动信号的深层隐含信息15.卷积层具有稀疏的交互性，经过卷积操作后可以获得更深层次的抽象特征，其基本结构如图 3 所示，一维卷积运算可以表示为t(l)=fx(l)w(l)+b(l),l=1,2,M,t(l)x(l)lw(l)x(l)t(l)b(l)式中：、分别为第 个神经元的输出、输入，为与之间的权重，为神经元偏置量，f()为激活函数.对于使用 1D-CNN 的时间序列分类任务，卷积核的大小对网络性能有重大影响，为挖掘到信息的深层次特征，通常会加深模型的深度和宽度，即增加网络层数和卷积核个数，这可能会导致模型产生过拟合.另外，不同线路上的高速列车转向架发生同一种故障时的振动信号波形如图 4 所示，针对不同线路的振动信号，通过相同尺寸的卷积运算无法同时充分提取信号中的不同模态特征.时间序列中的部分噪声无法通过批标准化、非线性激活函数和其他算子消除，只能通过卷积核的卷积运算消除.大规模卷积核往往集中在低频区域，并具有良好的频率分辨率，但在高频区域没有足够的卷积核，因此忽略了高频信息.相比之下，小规模卷积核主要集中在高频带上，但频率分辨率较低.7.55.02.500100正常运行ASADLDAS+ADAS+LDAD+LD200300连续采样点数/个4005002.55.07.510.0幅值/mm(a)时域波形正常运行ASADLDAS+ADAS+LDAD+LD0.0300.0250.0200.0150515253545102030频率/Hz40500.0100.0050幅值/mm(b)频率分布图1武广线上转向架不同故障的振动信号时、频域分布Fig.1TimeandfrequencydomaindistributionofvibrationsignalsfromdifferentfaultsofbogiesonWuhanGuangzhouRailway1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(a)正常运行1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(b)LD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(c)AD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(d)LD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(e)AD+LD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(f)AS+LD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(g)AS+AD 复合故障图2武广线上转向架不同运行工况的小波能量矩对比Fig.2ComparisonofwaveletenergymomentunderdifferentoperationstatusofbogiesonWuhanGuangzhouRailway第1期杜家豪，等：基于联邦学习的多线路高速列车转向架故障诊断187.输入信号卷积层 1池化层卷积层 2全连接层 输出层图31D-CNN 基本结构Fig.3Basicstructureof1D-CNN0120100200300连续采样点数/个40050012幅值/mm武广线郑西线京津线胶济线金山线图45 条线路在发生 AS+AD 故障时的转向架振动信号波形Fig.4WaveformsofbogievibrationsignalincaseofcombinedfaultsofAS+ADonfiverailways为解决上述问题，文献16提出多尺度卷积融合，采用不同稀疏程度的卷积操作对前一层的输出进行处理，探寻基于卷积网络的最优局部稀疏结构.因此，本文将转向架振动信号通过多尺度卷积融合，使用多个不同尺度的滤波器从原始信号中提取特征，提升特征提取的完备性.联邦学习框架下的本地模型训练网络结构如图 5 所示，使用多尺度一维卷积融合算法建立每条线路转向架本地故障诊断模型,根据实验验证将多尺度卷积核尺寸依次设置为3、4、517，可以提取到不同感知域下的模态特征，并将卷积结果拼接后，通过后续卷积操作实现特征融合.具体模型结构及参数如表 1 所示，其中，最大池化层与全局平均池化层可以加快计算速度，防止过拟合，并在卷积层后添加 Dropout 层，参数设置为0.3，可同样抑制过拟合.网络最后添加一个输出维度为 7 的全连接层与 Softmax 分类函数，让输出结果类别与实际转向架运行工况类别相一致.通过实验对参数进行选择与微调，根据训练效果对比，将迭代次数设置为 3500 次，采用 Adam 优化器，学习率设置为 6105，学习率衰减系数设置为0.1105，批样本量设置为 512 个，通过交叉熵验证损失，损失函数收敛后，获得本地转向架故障诊断模型.45366161664646440 00061620 00020 00031283128312812860 00012822567卷积拼接全局平均池化多尺度卷积60 000225620 00020 000最大池化图5本地转向架故障诊断模型网络结构Fig.5Networkstructureoflocalbogiefaultdiagnosismodel 1.2 基于联邦学习的转向架全局故障诊断方法设计联邦学习是一种保护数据隐私的分布式模型训练方法，可以使每个用户在不与其他用户分享数据的前提下，优化本地模型.面对“数据孤岛”问题，即数据被不同组织所拥有，且由于数据隐私安全不能轻易聚合在一起的情况下，联邦学习既能帮助多个参与方搭建共享的高性能模型，又符合用户隐私和数据保密性的要求18.188西南交通大学学报第59卷表 1 转向架本地故障诊断模型结构及参数Tab.1Structureandparametersoflocalbogiefaultdiagnosismodel结构类型输入尺寸卷积核尺寸步长/步通道数/个卷积层4000016116卷积层40000166116最大池化40000162卷积层20000166116多尺度卷积20000163/4/5164卷积层20000643/3/31128卷积拼接20000128卷积层6000012821128Dropout60000128卷积层6000012821256全局平均池化600002566000011全连接层2561Softmax7联邦学习旨在建立一个全局分类器，其中某一用户数据集为D=(z1,y1),(z2,y2),(zk,yk),(zn,yn)，zkkykn式中：为第个样本数据，为对应的故障类型，为样本个数.在实际情况中，考虑到多个数据持有方之间进行数据交流时极可能导致数据隐私泄露，因此，在每一轮迭代中都需要对模型参数进行同态加密处理19.这样，整个训练过程数据没有离开本地，有效避免了数据泄露20.转向架全局故障诊断方法的整体结构如图 6 所示，具体步骤如下：步骤 1每条线路的高速列车通过部署在转向架上的传感器采集转向架振动信号；步骤 2各线路在本地使用该转向架振动信号通过 Multi-1D-CNN 训练转向架本地故障诊断模型，然后模型参数经过加密后上传至服务器；步骤 3服务器在收到所有线路上传的模型后，进行模型参数的加权聚合，根据各方参数对全局模型参数进行调整，完成后将全局模型返回给各条线路；步骤 4各方对收到的模型解密后，通过全局模型优化自己的本地模型，然后返回步骤 2，重复上述操作，直至损失函数收敛.最终得到的全局模型可以识别所有线路高速列车转向架的故障类型，具体流程见图 7.模型聚合服务器线路 1线路 2线路 N传感器模型训练模型更新模型下载模型上传Multi-1D-CNNMulti-1D-CNN.Multi-1D-CNN.图6基于联邦学习的转向架故障诊断方法系统结构Fig.6Structureofbogiefaultdiagnosismethodbasedonfederatedlearning第1期杜家豪，等：基于联邦学习的多线路高速列车转向架故障诊断189更新轮次是否结束接收所有用户本地模型是否全部接收模型聚合是否收敛模型下发停止输出全局模型本地模型训练上传模型否是是是否否接收模型模型更新服务器执行输入各线路执行图7基于改进联邦学习的转向架故障诊断方法流程Fig.7Flowchartofbogiefaultdiagnosismethodbasedonimprovedfederatedlearning 2 实验结果及分析通过 SIMPACK 产生 5 条线路（武广线、郑西线、京津线、金山线、胶济线）高速列车转向架振动信号，进行转向架全局故障诊断模型准确率与泛化能力的检测.2.1 实验准备针对转向架空气弹簧漏气、横向减振器漏油和抗蛇行减振器漏油问题，基于多体动力学 SIMPACK软件平台设计仿真实验，建立 CRH380A 动车组车辆系统转向架动力学模型，如图 8 所示.为研究多域多模态下列车运行特性，在前、后转向架上分别安装 58 个传感器，以记录 X、Y、Z（纵向、横向、垂向）多尺度的位移动和加速度信息.基于此，通过采集海量的状态检测数据，研究单一故障、混合故障发生时列车车体和转向架各部位振动信号的传播机理和耦合机理.由图1 可知，振动信号频率主要集中在0，50Hz，根据奈奎斯特采样定理以及实际滚动台平稳性检测要求，本文将 SIMPACK 软件采集振动信号的采样频率设定为 243Hz，列车运行速度设定为 200km/h，转向架振动信号均为不同线路轨道谱在 SIMPACK中仿真所得，每条线路分别采集 25s 信号作为实验数据，可实现保证训练数据量充足的前提下缩减联邦学习的运算时间成本.333311221空气弹簧(位置)；2横向减震器；3抗蛇行减震器.图8SIMPACK 转向架动力学仿真模型Fig.8DynamicsimulationmodelofbogieinSIMPACK针对 7 种 HST 转向架运行工况，依次对应标签 0，1，6，如表 2 所示.由于在转向架上安装有58 个传感器，故采集数据维度为 58 维，且多条线路拥有相同数据维度.为减小数据之间的差异度，提高模型收敛速度，对转向架振动信号进行归一化处理，具体为(zi,j)=zi,jii，zi,jijiii式中：为第 行和第列的输入样本，和分别为第 个信号通道中数据的平均值和标准偏差.表 2 转向架工况Tab.2Operationstatusofbogie运行工况标签正常运行0LD故障1AD故障2AS故障3AD+LD故障4AS+LD故障5AS+AD故障6在同一联邦学习框架下，转向架本地故障诊断模型搭建时将 Multi-1D-CNN 训练算法与 1D-CNN训练算法、安全联邦提升树（SecureBoost）训练算法作为对比.其中，SecureBoost 是一种无损隐私保护树提升系统，以eXtremeGradientBoosting（XGBoost）模型为基础，通过构建多个弱分类器对数据集进行预测，然后用某种策略将多个分类器的预测结果集成，作为最终预测结果.2.2 实验结果及分析1）转向架全局故障诊断模型准确率检测为检测全局故障诊断模型的诊断能力，在权衡联邦学习的设计需求与实际时间、计算成本后，选择武广、郑西、京津 3 条具有代表性的线路.由图 4 可190西南交通大学学报第59卷知，3 条线路振动数据之间存在较大差异性，因此，在模型参数聚合时，为平衡某些参数之间较大的差异，对参数的调整会导致全局模型准确率的少量下降，但泛化能力得到提高.表 3 为全局故障诊断模型对武广线、郑西线、京津线的诊断结果.转向架在发生 AS 故障时，故障诊断率相对较低，由图 2 中小波能量矩对比及图 9 波形图对比可知，这是由于振动信号特征与发生 AS+LD 故障时相关度过高导致.表 3 转向架故障诊断准确率Tab.3Accuracyofbogiefaultdiagnosis%实验线路训练模型标签平均0123456武广线1D-CNN87.785.490.477.883.382.287.684.9SecureBoost95.395.796.687.592.486.988.591.8Multi-1D-CNN98.296.898.494.596.294.999.196.9郑西线1D-CNN81.283.384.573.276.375.481.779.4SecureBoost92.790.490.574.693.284.382.486.9Multi-1D-CNN94.395.596.387.494.891.395.593.6京津线1D-CNN81.783.484.475.873.374.281.679.2SecureBoost93.393.795.676.589.484.981.587.8Multi-1D-CNN98.597.297.393.497.695.297.796.70132010050150200连续采样点数/个250300123幅值/mmAS+LDAS(a)武广线7531010050150200连续采样点数/个2503007531幅值/mmAS+LDAS(b)郑西线图9AS 故障与 AS+LD 故障转向架振动信号波形比较Fig.9ComparisonofbogievibrationsignalwaveformsbetweenASfaultandAS+LDfault2）转向架全局故障诊断模型泛化能力检测为检测全局模型的泛化能力，在每次实验中依次加入一条线路，并以胶济线数据作为测试集，具体细节见表 4，故障诊断结果如图 10.随着联邦建模中线路数量的增加，故障数据特征增多，更有利于模型参数聚合，对胶济线的故障诊断准确率也逐步增加，展现出该模型的强泛化能力.综合上述实验结果，所提方法中模型的诊断准确率普遍高于 93%，而泛化实验也实现 75%的诊断结果，表明联邦学习可以在数据安全的前提下实现多方数据特征的融合，同时验证了基于联邦学习框架下多尺度卷积算法的有效性.表 4 泛化能力检测Tab.4Generalizationabilitytest泛化实验参与线路检测线路1武广胶济2武广+郑西胶济3武广+郑西+京津胶济4武广+郑西+京津+金山胶济实验 1实验 2实验 3实验 4准确率/%8060402001D-CNNSecureBoost多尺度卷积融合图10泛化能力检测结果Fig.10Resultsofgeneralizationabilitytest 3 结论针对单一线路故障数据的特征有限、诊断模型泛化能力低的问题，为聚合不同线路的特性，实现高泛化能力的转向架故障诊断，同时，考虑到数据安全问题，本文基于联邦学习的方法，在保护数据安全的前提下，多条线路高速列车转向架的振动信号联合建立一个泛化能力强的全局故障诊断模型，实现对多条线路高速列车转向架的故障诊断.实验表明，在第1期杜家豪，等：基于联邦学习的多线路高速列车转向架故障诊断191联邦学习框架中参与模型训练的线路可以实现93%以上的转向架平均故障诊断准确率，对于未在联邦学习框架中参与模型训练的线路，通过模型的泛化能力同样可以实现 75%以上的故障诊断准确率.后续工作会着重在转向架机理上研究不同线路之间的关联性，提升模型的鲁棒性和准确性.同时，将在训练模型的结构上进行优化，提升训练效率和稳定性.参考文献：WEIXC,CHENY,LUC,etal.Acousticemissionsource localization method for high-speed trainbogieJ.Multimedia Tools and Applications，2020，79(21/22)：14933-14949.1池毓敢，林建辉，李艳萍，等.二系横向减振器阻尼系数对车辆横向振动影响的仿真研究J.铁道车辆，2014，52（4）：15-16.CHIYugan,LINJianhui,LIYanping,etal.Simulationresearch on the effect of damping coefficient of thesecondary lateral dampers on lateral vibration ofvehiclesJ.RollingStock，2014，52(4)：15-16.2谢树强，王斌杰，王文静，等.基于动应力的地铁构架疲劳损伤与疲劳寿命计算J.机械工程学报，2022，58（4）：183-190.XIEShuqiang,WANGBinjie,WANGWenjing,etal.CalculationforfatiguedamageandfatiguelifeofmetrobogiebasedondynamicstressJ.JournalofMechanicalEngineering，2022，58(4)：183-190.3张卫华，李艳，宋冬利.高速列车运动稳定性设计方法研究J.西南交通大学学报，2013，48（1）：1-9.ZHANGWeihua,LIYan,SONGDongli.Designmeth-odsformotionstabilityofhigh-speedtrainsJ.JournalofSouthwestJiaotongUniversity，2013，48(1)：1-9.4MAOZH,WANGY,JIANGB,etal.Faultdiagnosisforaclassofactivesuspensionsystemswithdynamicactuators faultsJ.International Journal of Control,AutomationandSystems，2016，14(5)：1160-1172.5LIP,GOODALLR,WESTONP,etal.Estimationofrailway vehicle suspension parameters for conditionmonitoringJ.Control Engineering Practice，2007，15(1)：43-55.6QINN,LIANGKW,HUANGDQ,etal.Multipleconvolutional recurrent neural networks for faultidentification and performance degradation evaluationof high-speed train bogieJ.IEEE Transactions onNeural Networks and Learning Systems，2020，31(12)：5363-5376.7WEIXK,JIALM,GUOK,etal.Onfaultisolationforrail vehicle suspension systemsJ.Vehicle SystemDynamics，2014，52(6)：847-873.8KOULL,QINY,ZHAOXJ,etal.Amulti-dimension9end-to-end CNN model for rotating devices faultdiagnosisonhigh-speedtrainbogieJ.IEEETransactionsonVehicularTechnology，2020，69(3)：2513-2524.刘建伟，刘媛，罗雄麟.深度学习研究进展J.计算机应用研究，2014，31（7）：1921-1930，1942.LIUJianwei,LIUYuan,LUOXionglin.ResearchanddevelopmentondeeplearningJ.ApplicationResearchofComputers，2014，31(7)：1921-1930，1942.10HATCHERWG,YUW.Asurveyofdeeplearning:platforms,applicationsandemergingresearchtrendsJ.IEEEAccess，2018，6：24411-24432.11YU L K,ALBELAIHI R,SUN X,et al.Jointlyoptimizingclientselectionandresourcemanagementinwireless federated learning for Internet of ThingsJ.IEEEInternetofThingsJournal，2022，9(6)：4385-4395.12LIX,ZHANGW.Deeplearning-basedpartialdomainadaptation method on intelligent machinery faultdiagnosticsJ.IEEETransactionsonIndustrialElectronics，2021，68(5)：4351-4361.13LIUY,KANGY,XINGCP,etal.AsecurefederatedtransferlearningframeworkJ.IEEEIntelligentSystems，2020，35(4)：70-82.14SEMMA A,HANNAD Y,EL KETTANI M E Y.Impact of the CNN patch size in the writeridentificationC/Proceedings of Networking,Intelli-gent Systems and Security.Singapore：Springer,2022：103-114.15ZHANGLB,CAIJ,PENGF,etal.MSA-CNN:facemorphing detection via a multiple scales attentionconvolutionalneuralnetworkC/The20thInternationalWorkshop on Digital Forensics and Watermarking(IWDW).Cham：Springer,2022：17-31.16XUSZ,ADELIE,CHENGJZ,etal.Mammographicmass segmentation using multichannel and multiscalefullyconvolutionalnetworksJ.InternationalJournalofImagingSystemsandTechnology，2020，30(4)：1095-1107.17ZHAO Z C,XIA J J,FAN L S,et al.Systemoptimization of federated learning networks with aconstrainedlatencyJ.IEEETransactionsonVehicularTechnology，2022，71(1)：1095-1100.18LIUA,YUQY,XIABM,etal.Privacy-preservingdesignofsmartproductsthroughfederatedlearningJ.CIRP Annals:Manufacturing Technology，2021，70(1)：103-106.19HUYQ,HUAY,LIUWY,etal.RewardshapingbasedfederatedreinforcementlearningJ.IEEEAccess，2021，9：67259-67267.20（中文编辑：李永辉）192西南交通大学学报第59卷