基于改进1D-CNN的轨道交通配电网馈线系统故障诊断模型研究

Research on Fault Diagnosis Model of Feeder System in Rail Transit Distribution Network Based on Improved 1D-CNN

摘要

针对轨道交通馈线系统中继电保护装置动作故障诊断耗时长且依赖专家经验的现状，提出1种基于生成对抗网络增强的合成少数类过采样技术（SMOTE-GAN）和组合麻雀搜索算法（CSSA）优化的一维卷积神经网络（1D-CNN）故障诊断模型SG-CSSA-1D-CNN。首先，通过SMOTE生成局部理想的少数类样本作为生成对抗网络（GAN）生成器的输入，融合SMOTE的局部插值优势与GAN的全局分布学习能力，解决原始样本不足及生成样本质量不高的问题；其次，采用引入Tent混沌序列和高斯变异机制的CSSA算法提升全局寻优效率，实现1D-CNN最优超参数的自动搜索，优化模型分类性能；最后，基于包含18个电气特征的9类故障实际数据集，构建故障诊断模型。结果表明：与原始1D-CNN模型相比，优化后的模型损失降低12.5%，其诊断准确率提升至98.46%，9类故障分类精度达到均衡。该方法可有效解决类别不平衡数据下的故障识别难题，并显著提升继电保护装置动作故障的识别可靠性。

Abstract

Aiming at the current situation of long-time consuming and expert-experienced fault diagnosis of relay protection devices operation in rail transit feeder systems, a fault diagnosis model named SG-CSSA-1DCNN is proposed based on the Synthetic Minority Over-sampling Technique enhanced by Generative Adversarial Network (SMOTE-GAN) and one-Dimensional Convolutional Neural Network (1DCNN) optimized by the Combined Sparrow Search Algorithm (CSSA). Firstly, the local ideal minority samples are generated by SMOTE as the input of the GAN generator. Then, the local interpolation advantage of SMOTE and the global distribution learning ability of GAN are integrated to solve problems of insufficient original samples and low quality of the generated samples. Secondly, the CSSA algorithm that introduces Tent chaotic sequences and a Gaussian variation mechanism is adopted to improve global optimization efficiency, the automatic search of optimal hyperparameters for 1D-CNN is realized, and the classification performance of the model is optimized. Finally, the fault diagnosis model is constructed based on an actual dataset of 9 types of faults including 18 electrical features. The results indicate that in comparison with the original 1D-CNN model, the loss of the optimized model is reduced by 12.5%, the diagnostic accuracy of it is enhanced to 98.46%, and the classification accuracy of 9 types of faults reaches equilibrium. The method is an effective solution to the problem of fault identification in cases of data with unbalanced category, and can significantly improve the reliability of fault identification in relay protection devices operation.

Graphical abstract

关键词

轨道交通 / 馈线系统故障诊断 / SMOTE-GAN融合算法 / 组合麻雀优化算法 / 一维卷积神经网络

Key words

Rail transit / Feeder system fault diagnosis / SMOTE-GAN fusion algorithm / Combined Sparrow Search Algorithm (CSSA) / One-Dimensional Convolutional Neural Network (1D-CNN)

随着城市化进程的加速和区域经济一体化的不断推进，铁路轨道交通作为1种高效、环保的交通方式正迎来快速发展^［1］。据“十四五”规划相关统计数据显示，我国轨道交通运营里程持续增长，截至2024年底，全国城市轨道交通运营里程已超过1.1万km，年客运量也达到了数十亿人次；同时，铁路营业里程也将由2020年的14.6万km增加至2025年的16.5万km，高速铁路营业里程则由3.8万km提高至5.0万km^［2］。轨道交通系统以其大运量、快速、准时等优势，不仅可有效缓解交通拥堵，还在促进区域经济发展、完善国家基础设施建设中发挥着至关重要的作用^［3］。因此，确保轨道交通系统的稳定和可靠运行对于保障国家经济高效运转和社会生活正常秩序具有不可替代的意义，而精准诊断并及时处理故障成为保障系统安全的关键环节。

目前，在轨道交通馈线系统中，继电保护装置动作故障诊断存在两大不足^［4］：一是诊断效率低下，故障发生后往往需耗费大量时间进行排查和定位，严重影响轨道交通的正常运营秩序；二是诊断过度依赖专家经验，主要基于预设规则和人工判断，容易受到主观因素影响，其诊断结果的可靠性难以保证。随着人工智能技术的发展，基于数据驱动的特征提取分类方法为故障诊断提供了全新思路。

在数据样本增强方面，合成少数类过采样技术（Synthetic Minority Oversampling Technique，SMOTE）致力于解决样本数量不足和类别不均衡问题。已有研究中，文献［5］采用Borderline-SMOTE算法对少数类文本向量数据进行补全泛化，从而提高故障文本自动分类的精确率和召回率；文献［6］利用SMOTE数据增强算法缓解轨道电路故障样本分布不均问题，实现了故障区域定位和类型识别；文献［7］在列控车载设备故障分类研究中结合SMOTE算法与焦点损失函数，显著提升了故障分类的精确度和可靠性；文献［8］运用SMOTE对不平衡的工艺数据集进行过采样处理，并通过4种竞争性分类器寻找最佳实践的SMOTE比率，为半导体制造中的故障诊断提供了新的解决方案；文献［9］在风力涡轮机故障分类研究中提出ASMOTE-ENN方法，将过采样和欠采样相结合，提高了不平衡故障诊断技术的精度；文献［10］在电力变压器诊断预测中，将SMOTE与深度神经网络（DNN）相结合，提高了诊断预测的准确性和性能。

在模型优化方面，麻雀搜索算法（SSA）已被应用于参数寻优。文献［11］通过将SSA与ML-ELM相结合，优化初始权重和偏置参数，从而提高了交通流量预测的准确性；文献［12］利用改进的SSA算法对SVM模型中的惩罚因子和核函数方差进行参数优化，显著提升了故障诊断正确率。文献［13］针对主动配电网的动态重构集成优化问题，提出了基于多目标麻雀搜索算法（MOSSA）的求解方法，有效提高了算法的全局搜索能力和收敛速度。在智能交通系统中，文献［14］利用SSA算法选择最优的MPR节点并引入余弦相似度显著提升了数据包传输率、吞吐量等性能指标。然而，SMOTE算法虽能通过合成新样本解决数据不平衡问题，但在处理边界样本、降低噪声影响以及避免类别交叉方面仍存在局限；而生成对抗网络（Generative Adversarial Networks，GAN）则能通过神经网络自主学习数据的复杂分布规律，生成符合真实分布的新样本。

本研究提出1种基于生成对抗网络增强的合成少数类过采样技术和组合麻雀搜索算法优化的一维卷积神经网络故障诊断模型SG-CSSA-1D-CNN。该模型充分利用SMOTE的局部插值优势和GAN的全局分布学习能力，有效解决原始样本不足和生成样本质量不高的问题。同时，借助卷积神经网络的端到端特征提取、降维和分类能力，结合组合麻雀搜索算法（Combined Sparrow Search Algorithm，CSSA），通过引入Tent混沌序列和高斯变异机制实现卷积神经网络最优超参数的全局搜索。

1 基于SMOTE-GAN轨道交通故障样本增强方法

1.1　SMOTE过采样算法

SMOTE是1种为解决类别不平衡问题而设计的算法，通过改进传统的随机过采样方法，增强少数类样本的代表性^［15］。传统随机过采样往往简单地复制少数类样本，容易引入过拟合风险，而SMOTE算法则通过分析少数类样本的近邻关系，在这些样本间进行线性插值，合成少数类新样本^［16］。这种方法不仅可平衡类别分布，而且通过引入样本间的变异性，有效降低了过拟合的可能性，其算法原理如图1所示。图中：X_i 为少数类随机样本；X_ij 为样本X_i 的第j个近邻样本；X_new为合成新样本。

SMOTE算法的核心思想在于利用少数类样本之间的相似性生成新的合成样本。该算法主要通过以下步骤实现：首先，从少数类样本集中选取每个样本作为生成新样本的基础，采用欧式距离作为度量标准，计算各样本间的相似性；其次，对于每个选定的基础样本X_i，根据预定的过采样倍率q，从k个最近邻样本（通常k为奇数）中随机选择一个辅助样本X_ij，这一选择过程需重复q次，以确保生成足够数量的合成样本；最后，在基础样本X_i 与辅助样本X_ij 之间，通过线性插值方法生成新合成样本。上述欧式距离d（x，y）和新合成样本X_new的计算式为

d(x,y)=\sqrt[]{{\displaystyle \sum _{t=\mathrm{1}}^n}(x_t-y_t{)}^{\mathrm{2}}}（1）

X_{\mathrm{n}\mathrm{e}\mathrm{w}}=X_i+\alpha (X_{ij}-X_i)（2）

式中：x_t 和y_t 为2个样本在特征空间中的第t个特征值；ɑ为区间（0，1）内的随机数。

在遍历完所有的少数类样本后，算法最终生成q个合成样本，通过这种过采样方法可有效扩充少数类样本集，平衡类别分布。虽然SMOTE算法能够基于现有少数类样本之间的插值生成新样本，但其主要关注局部信息，可能使得生成的样本分布不均匀或不规则，最终导致生成样本质量不高，限制了其在复杂数据分布建模中的应用^［17］。

1.2　SMOTE-GAN融合算法

GAN是1种由生成器和判别器构成的生成式深度学习模型。生成器旨在学习并模拟训练数据的分布，生成新的、逼真的样本；而判别器则负责评估输入数据的真实性，判断其源自真实数据集还是生成器的输出^［18］。通过生成器与判别器之间的对抗训练，生成器逐步优化其生成策略，生成与真实数据分布相符的样本，进而捕捉数据的潜在结构。

经过对抗训练过程，GAN能够深入学习历史数据的底层分布和数据间复杂的时空相关性及时间依赖性，从而生成既保持数据真实性又具有充分多样性的高质量合成样本。针对轨道交通中继电保护装置所产生的一维时序故障数据，由于原始样本往往稀缺，直接采用GAN生成数据可能因少数类样本形式简单，导致大部分数据被用于验证和测试，从而使GAN难以捕捉到数据中复杂规律与相关性。

因此，结合SMOTE和GAN的优点，通过SMOTE进行局部过采样，为GAN提供初始样本，进而利用GAN进行样本质量优化。具体而言，该融合算法分为2个阶段：第1阶段，利用SMOTE生成局部理想少数类样本，反映原始数据的局部结构；第2阶段，将SMOTE生成的样本作为种子样本输入GAN中，使得GAN生成器不再依赖随机噪声，而是基于更结构化的输入生成逼真样本。这种方法有效结合了SMOTE的局部插值和GAN的全局分布学习能力，适用于中等规模数据集，既能生成更可行、更多样化的数据，又能提高故障诊断模型的泛化能力，进而更有效地处理复杂和多变的数据分布。该算法的样本生成方式如图2所示。

将原始馈线系统的故障样本作为训练数据输入，每类故障特征之间存在的某种复杂相关性记为L_r（i），通过SMOTE过采样得到的数据分布记为L_s（i）。将L_s（i）作为生成器输入，并与GAN联合训练，使GAN生成器优先处理局部理想样本，从而建立L_r（i）和L_s（i）之间的映射关系，以生成满足原数据分布关系的新数据。融合算法的生成器和鉴别器目标函数L_G 和L_D 分别为

L_G=\underset{G}{\mathrm{m}\mathrm{i}\mathrm{n}}-E_u[\mathrm{l}\mathrm{n}D(G(u))]（3）

\begin{array}{l}{L}_D=\underset{\mathrm{D}}{\mathrm{m}\mathrm{a}\mathrm{x}}{E}_{z^{\mathrm{*}}}[\mathrm{l}\mathrm{n}D(z^{\mathrm{*}}|z)]+\\ E_u[\mathrm{l}\mathrm{n}(\mathrm{1}-D(G(u)))]\end{array}（4）

式中：E为期望；G（u）为生成器生成数据；D（·）为判别器的网络输出；u表示过采样后的样本；z表示训练样本；z^*表示原始数据集。

GAN生成器采用全连接神经网络架构，包含3个隐藏层，每层有128个神经元。鉴别器网络类似于生成器网络，但简化为2层架构，首层为线性层，第2层使用负半轴斜率为0.1的LeakyReLU层。在训练中，初始学习率设置为0.000 1。此外，为避免传统J-S散度距离造成梯度消散问题影响训练稳定性，采用Wasserstein距离^［19］衡量生成器与鉴别器的目标函数。Wasserstein距离W_p （μ，ν）定义为

W_p(\mu ,\nu )={\left(\underset{\gamma \in \prod (\mu ,\nu )}{\mathrm{i}\mathrm{n}\mathrm{f}}{\int }_{\chi \times \chi }d(m,n)d_{\gamma }(m,n)\right)}^{\mathrm{1}/p}（5）

式中：d（m，n）为空间中2个点m和n之间的距离；∏（μ，ν）为所有以μ和ν为边缘分布的联合分布γ的集合；p为距离的阶数，取值为1或2，可决定距离的类型。

2 CSSA优化的1D-CNN故障诊断模型

2.1　CSSA优化算法

麻雀优化算法（SSA）是1种基于群体智能优化的算法，其来源于麻雀的觅食行为及对捕食者的应对策略。相较于其他群体智能优化算法，SSA在搜索精度、收敛速度、稳定性和鲁棒性等方面具有较大优势^［20］。当算法逼近全局最优解时，种群多样性会显著降低，导致易陷入局部最优。

组合麻雀优化算法通过利用混沌现象内在的随机性、遍历性和规律性以及高斯分布局部搜索能力强的特点来提升全局搜索能力^［21］。首先，在初始化种群时引入Tent混沌序列，将生成的混沌变量载波至解空间中，利用其非线性的特点对个体进行混沌扰动来提高种群的多样性。其次，在适应度计算阶段，若个体适应度低于种群均值，则通过式（6）进行高斯变异，并根据变异后的优劣决定是否保留原个体；若个体适应度高于种群均值，则通过式（7）对个体进行混沌扰动。

M=g\left(\mathrm{1}+\mathrm{N}(\mathrm{0,1})\right)（6）

{\mathit{T}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{\mathrm{*}}=({\mathit{T}}^{\mathrm{*}}+T_{\mathrm{n}\mathrm{e}\mathrm{w}})/\mathrm{2}（7）

式中：g为原始参数值；N（0，1）为标准正态分布；M为高斯变异后的数值；{\mathit{T}}^{*}为需要进行混沌扰动的解向量；T_new为产生的混沌扰动量；{\mathit{T}}_{\mathrm{n}\mathrm{e}\mathrm{w}}^{\mathrm{*}}为混沌扰动后得到的新解向量。

2.2　1D-CNN故障诊断模型

卷积神经网络作为1种多层前馈神经网络广泛应用于处理具备网络结构的数据。其架构主要分为2个阶段：滤波阶段与分类阶段。滤波阶段旨在从输入信号中提取关键特征，而分类阶段则利用这些特征进行精确分类^［22］。

所提模型共设置5个卷积层和1个全连接层，其参数见表1。滤波模块包含5个卷积层，每层卷积后均配有激活函数（ReLU）和池化层（MaxPooling）。分类模块包含1个全连接层，采用Softmax激活函数实现多分类。在滤波模块中，首层卷积采用大卷积核的形式提取数据的短时特征，每层卷积通过最大池化操作减少网络中的参数量，使得计算资源耗费变少，有效控制过拟合^［23］。激活函数使用ReLU函数，相较于Sigmoid与Tanh函数可以防止计算中的梯度弥散。采用零填充策略使各卷积层的输出数据在空间维度上与输入数据保持一致，在提高算法性能的同时保证卷积计算时不会损坏边缘信息。全连接层引入Dropout机制来提高网络的训练效率，增强网络泛化能力。

对于监督学习任务，需要为数据分配正确的标签或类别，以便模型学习输入和输出之间的映射关系。由于故障标签均为文本式的类别变量，不能直接输入至神经网络中^［24］。因此，需要对每个类别进行故障编码，详情见表2。模型使用Python中的PyTorch框架实现故障模型网络搭建，其优化流程如图3所示。

3 试验验证与分析

3.1　数据描述与参数设置

试验使用的故障数据来自济南西、雄安、京沪高铁及滁州等全国各地多个变电所近几年故障报告中所记录的真实数据，样本数据采集自单相侧馈线继电保护装置动作后生成的故障报告数据。共提取18个特征参数表征9类故障，包括：线路阻抗角、电阻和电抗；馈线电压、电流；T/F线阻抗角、电阻、电抗、电压和电流；以及2次、3次和5次谐波电流等电气特征量。

在自耦变压器供电系统中，单相侧馈线指从牵引变电所的单相母线引出，向接触网供电的馈线。这些馈线直接与接触网相连，为电力机车等设备提供牵引动力电源，其运行状态直接受牵引负荷侧各类工况的影响。作为连接牵引变电所与接触网的关键单元，单相馈线的电气特性受机车运行负荷波动、设备故障和外部侵入等动态过程干扰，具体表现为电流、电压幅值异常、相位差突变、谐波分量超标及阻抗角剧烈变化等特征，这些异常参数通过耦合作用干扰馈线保护装置的判据逻辑，可能引发误动作、保护失效或谐振过电压风险。

基于牵引负荷侧典型影响，以线路阻抗角、谐波占比、电压差值等18个特征数据为核心，构建故障类型与馈线保护关联性的特征库。故障类型说明见表3。其中既包含机车过负荷、过分相等运行工况通过谐波与相位特征对保护装置的干扰机制，也涵盖金属性短路、设备绝缘接地等故障因绝缘失效引发的阻抗、电压突变特征，还包括吊车吊臂短路、励磁涌流等外部与暂态故障的谐波异常及电压骤降特性。

原始数据集中包含9类故障共387个样本。基于原始数据稀疏性特点，采用2阶段数据处理方案：首先，通过SMOTE-GAN对每类故障数据进行样本增强，构建平衡数据集共计3 483个样本（每类387例）；然后，将扩充后的数据以固定长度16和步长8进行切片，用于构建样本。对模型进行训练时，将优化器、批次大小以及最大训练次数分别设置为Adam，10和90，并以7∶3的比例将数据划分为训练集和测试集。

3.2　样本扩充质量

为了能够评估融合算法生成样本的质量，采用F₁分数作为性能评价指标。具体而言，将SMOTE-GAN与SMOTE过采样生成的扩充样本与剩余故障类别的样本构成1个不平衡数据集。相较于准确率，F₁分数能够更好地处理类别不平衡问题。当数据集平衡时，准确率可作为有效评估指标；但在样本分布不均衡的情况下，准确率容易产生偏差，而F₁分数通过综合考量精确率和召回率，能够提供更可靠的性能评估^［25］。

未进行过采样、SMOTE过采样和SMOTE-GAN这3种数据处理方法的F₁分数如图4所示。模型准确率P、召回率R及F₁值为

P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}（8）

R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}（9）

F_{\mathrm{1}}=\mathrm{2}\frac{RP}{R+P}（10）

式中：T_P为真正例，指模型正确预测为正类的样本数量；F_P为假正例，指模型错误预测为正类的样本数量；T_N为真负例，指模型正确预测为负类的样本数量；F_N为假负例，指模型错误预测为负类的样本数量。

由图4可知：未进行过采样方法的F₁分数值波动较大，SMOTE方法表现居中，而SMOTE-GAN方法在迭代中保持了最高的分数值，证明其在处理不平衡数据时的优越性；SMOTE方法的F₁分数在0.90至0.92之间波动，30次迭代的平均F₁分数值约为0.91，而SMOTE-GAN的F₁分数值在0.93至0.96之间波动，平均F₁分数值约为0.94，体现出SMOTE-GAN在数据增强和特征提取方面比SMOTE更具优势，能够更有效地处理类别不平衡问题，并提取更具判别力的特征。

3.3　优化模型故障诊断效果

未优化模型以固定学习率0.001训练90轮；优化后模型利用CSSA自动搜索学习率，其目标函数为验证集准确率最大化。CSSA搜索范围为［3e-4，5e-3］，最终搜索到的最优学习率为0.000 3。使用准确率曲线和训练/验证集的损失曲线评估模型的收敛性与泛化能力。优化前后模型准确率曲线如图5所示，其损失曲线如图6所示。

由图5可知：优化后模型的验证准确率后期基本稳定在0.984 6，未优化模型的准确率在整个训练过程中呈现上升趋势但波动较大，训练后期验证准确率稳定在0.8；优化后模型得训练准确率提升约25%，验证准确率提升约22.5%。这表明优化后模型在训练和验证准确率方面均表现出更为优越的性能。由图6可知：未优化模型的训练损失平均值约为1.65，验证损失平均值约为1.6，优化模型的训练损失减少约15.15%，其验证损失减少约12.5%。这表明优化模型在泛化能力方面显著优于未优化模型，此现象主要归因于CSSA的超参数调整策略，可有效缓解过拟合现象。综上，优化后的模型不仅显著增强了模型的泛化能力，还提升了其在训练和验证集上的准确性。混淆矩阵可用于分析分类精度和类别之间的错误情况，优化前、后的混淆矩阵如图7所示。

由图7可知：优化前的分类结果类别不平衡问题较为严重，类别1，3和8预测为正确的概率为1，而类别4和5预测为正确的概率均低于0.8，说明模型在某些类别上的泛化能力较差；优化后模型所有类别的分类结果均得到显著改善，几乎所有样本均被正确分类，类别间的分类精度趋于平衡，模型的整体表现更加稳定。

使用CSSA优化不同超参数后的模型验证准确率如图8所示。学习率决定了模型权重更新的步长，适当的学习率可以帮助模型快速收敛到较好的解，过高的学习率可能导致模型无法收敛，而过低的学习率则会使训练过程过于缓慢。卷积核的大小会影响模型的感受野和参数量，较大的卷积核可以捕捉更复杂的特征，但同时也可能导致过拟合和增加计算负担。

由图8可知：仅优化学习率时其收敛速度较快，30个周期内准确率已趋于稳定；联合优化时收敛周期增长，相应的准确率有所提升但相较于单纯优化学习率差别不大；仅优化卷积核大小的收敛周期最长，从准确率以及时间综合考虑来看，优化学习率是最优的选择。

将所提模型与传统机器学习方法中的SVM，XGBoost以及深度学习领域的长短时记忆网络LSTM进行对比，通过对原始样本数据添加高斯扰动，进而对比各模型在扰动下的准确率，结果如图9所示。

由图9可知：LSTM，SVM和XGBoost的准确率分别为94.02%，73.28%和62.19%，添加扰动后SG-CSSA-1D-CNN准确率为96.68%，表明优化后的模型在抗干扰能力和准确率稳定性方面优于其他模型。

4 结论

（1）采用SMOTE-GAN融合算法进行数据增强，相较于单独使用SMOTE过采样方法，其在不平衡故障数据集上所得的平均F₁分数提高约3.2%（SMOTE平均F₁分数约为0.91），证明SMOTE-GAN在数据增强和特征提取方面更具优势，能更有效地处理类别不平衡问题，并挖掘更具判别力的特征。

（2）以损失函数与准确率为评价指标，经过优化后的模型在验证集上的表现更为稳定：模型收敛趋势平稳，后期验证准确度基本稳定在98.46%，且混淆矩阵分析显示，各类别故障诊断精度均衡，模型整体性能显著提升。

（3）通过CSSA优化学习率等超参数，优化后的模型在收敛速度和诊断准确率方面均表现优异，验证了该方法在实际故障诊断应用中的可行性和高效性。

参考文献

[1] 惠记庄，张泽宇，叶敏，等.公路建养装备数字孪生技术综述［J］.交通运输工程学报，2023，23（4）：23-44.

[2] HUI Jizhuang， ZHANG Zeyu， YE Min， et al. Review on Digital Twin Technology for Highway Construction and Maintenance Equipment ［J］. Journal of Traffic and Transportation Engineering， 2023， 23 （4）： 23-44. in Chinese

[3] FENG D， SUN X J， SHANG C， et al. Cost-Effectiveness Oriented Intelligent Maintenance Scheduling Optimization for Traction Power Supply System of High-Speed Railway ［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23 （12）： 23179-23193.

[4] 熊嘉阳，沈志云.中国高速铁路的崛起和今后的发展［J］.交通运输工程学报，2021，21（5）：6-29.

[5] XIONG Jiayang， SHEN Zhiyun. Rise and Future Development of China's High-Speed Railway ［J］. Journal of Traffic and Transportation Engineering， 2021， 21 （5）： 6-29. in Chinese

[6] 罗佳，黄晋英，马健程，等.基于C-DCGAN的铁路道岔转辙机柱塞泵故障诊断方法［J］.中国铁道科学，2024，45（6）：111-120.

[7] LUO Jia， HUANG Jinying， MA Jiancheng， et al. Fault Diagnosis Method of Plunger Pump for Railway Switch Machine Based on C-DCGAN ［J］. China Railway Science， 2024， 45 （6）： 111-120. in Chinese

[8] 柴琳果，张景会，上官伟，等.基于Doc2vec-LightGBM的CBTC车载信号设备故障分类诊断方法［J］.铁道学报，2024，46（4）：108-118.

[9] CHAI Linguo， ZHANG Jinghui， SHANGGUAN Wei， et al. Fault Classification and Diagnosis Method for CBTC on-Board Signal Equipment Based on Doc2vec-LightGBM ［J］. Journal of the China Railway Society， 2024， 46 （4）： 108-118. in Chinese

[10] 李夏洋，刘倡，杨晓锋，等.基于数据-知识协同驱动的轨道电路故障诊断策略［J］.铁道科学与工程学报，2024，21（12）：5276-5288.

[11] LI Xiayang， LIU Chang， YANG Xiaofeng， et al. A Fault Diagnosis Strategy for Track Circuits Based on Data-Knowledge Collaboratively Driven ［J］. Journal of Railway Science and Engineering， 2024， 21 （12）： 5276-5288. in Chinese

[12] 周璐婕，党建武，王瑜鑫，等.基于卷积神经网络的列控车载设备故障分类研究［J］.铁道学报，2021，43（6）：70-77.

[13] ZHOU Lujie， DANG Jianwu， WANG Yuxin， et al. Research on Fault Classification Method for Onboard Equipment of Train Control System Based on Convolutional Neural Network ［J］. Journal of the China Railway Society， 2021， 43 （6）： 70-77. in Chinese

[14] FAN S K S.， CHENG C W， TSAI D M. Fault Diagnosis of Wafer Acceptance Test and Chip Probing between Front-End-of-Line and Back-End-of-Line Processes ［J］. IEEE Transactions on Automation Science and Engineering， 2022， 19 （4）： 3068-3082.

[15] CHATTERJEE S， BYUN Y C. Highly Imbalanced Fault Classification of Wind Turbines Using Data Resampling and Hybrid Ensemble Method Approach ［J］. Engineering Applications of Artificial Intelligence， 2023， 126： 107104.

[16] GAMEL S A， GHONEIM S S M， SULTAN Y A. Improving the Accuracy of Diagnostic Predictions for Power Transformers by Employing a Hybrid Approach Combining SMOTE and DNN ［J］. Computers and Electrical Engineering， 2024， 117： 109232.

[17] NAHELIYA B， KUMAR K， REDHU P. A Deep Extreme Learning Machine Approach Optimized by Sparrow Search Algorithm for Forecasting of Traffic Flow ［J］. Physica Scripta， 2024， 99 （12）： 125288.

[18] 王彦快，孟佳东，张玉，等.基于GADF与2D CNN-改进SVM的道岔故障诊断方法研究［J］.铁道科学与工程学报，2024，21（7）：2944-2956.

[19] WANG Yankuai， MENG Jiadong， ZHANG Yu， et al. Turnout Fault Diagnosis Method Based on GADF and 2D CNN-Improved SVM ［J］. Journal of Railway Science and Engineering， 2024， 21 （7）： 2944-2956. in Chinese

[20] LI L L， XIONG J L， TSENG M L， et al. Using Multi-Objective Sparrow Search Algorithm to Establish Active Distribution Network Dynamic Reconfiguration Integrated Optimization ［J］. Expert Systems with Applications， 2022， 193： 116445.

[21] HOSSEINZADEH M， ALI S， RAHMANI A M， et al. A Smart Filtering-Based Adaptive Optimized Link State Routing Protocol in Flying Ad Hoc Networks for Traffic Monitoring ［J］. Journal of King Saud University-Computer and Information Sciences， 2024， 36 （4）： 102034.

[22] JU Z D， CHEN Y S， QIANG Y K， et al. A Systematic Review of Data Augmentation Methods for Intelligent Fault Diagnosis of Rotating Machinery under Limited Data Conditions ［J］. Measurement Science and Technology， 2024， 35 （12）： 122004.

[23] ALZUBAIDI L， BAI J S， AL-SABAAWI A， et al. A Survey on Deep Learning Tools Dealing with Data Scarcity： Definitions， Challenges， Solutions， Tips， and Applications ［J］. Journal of Big Data， 2023， 10 （1）： 46.

[24] LIU D， ZHONG S S， LIN L， et al. Feature-Level SMOTE： Augmenting Fault Samples in Learnable Feature Space for Imbalanced Fault Diagnosis of Gas Turbines ［J］. Expert Systems with Applications， 2024， 238： 122023.

[25] WANG Z Y， LIU T， WU X， et al. Application of an Oversampling Method Based on GMM and Boundary Optimization in Imbalance-Bearing Fault Diagnosis ［J］. IEEE Transactions on Industrial Informatics， 2024， 20 （2）： 1931-1940.

[26] 宋晋东，栾世成，李山有，等.基于生成对抗网络和卷积神经网络的高速铁路地震预警干扰信号识别方法［J］.中国铁道科学，2025，46（1）：225-232.

[27] SONG Jindong， LUAN Shicheng， LI Shanyou， et al. Interference Signal Identification Method of Earthquake Early Warning for High-Speed Railway Based on Generative Adversarial Network and Convolutional Neural Network ［J］. China Railway Science， 2025， 46 （1）： 225-232. in Chinese

[28] GHAREHCHOPOGH F S， NAMAZI M， EBRAHIMI L， et al. Advances in Sparrow Search Algorithm： a Comprehensive Survey ［J］. Archives of Computational Methods in Engineering， 2023， 30 （1）： 427-455.

[29] 张俊潇，高崇，劳永钊，等.基于混沌二进制麻雀搜索的配电网故障恢复方法［J］.高电压技术，2023，49（增1）：247-253.

[30] ZHANG Junxiao， GAO Chong， LAO Yongzhao， et al. Fault Recovery Method for Distribution Network Based on Chaotic Binary Sparrow Search ［J］. High Voltage Engineering， 2023， 49 （）： 247-253. in Chinese

[31] 周欢，陈剑云，万若安，等.基于TCNN-MADLSTM的全并联AT牵引网多元信号融合故障定位［J］.中国铁道科学，2023，44（4）：206-218.

[32] ZHOU Huan， CHEN Jianyun， WAN Ruoan， et al. Multi-Signal Fusion Fault Location of All Parallel AT Traction Network Based on TCNN-MADLSTM ［J］. China Railway Science， 2023， 44 （4）： 206-218. in Chinese

[33] 王卫东，张晨雷，胡文博，等.基于改进Faster R-CNN和正交投影的无砟轨道板裂缝精细化测量［J］.中国铁道科学，2023，44（6）：46-56.

[34] WANG Weidong， ZHANG Chenlei， HU Wenbo， et al. Fine-Grained Measurement of Ballastless Track Slab Cracks Based on Improved Faster R-CNN and Orthogonal Projection ［J］. China Railway Science， 2023， 44 （6）： 46-56. in Chinese

[35] YE T， ZHANG J， ZHAO Z Y， et al. Foreign Body Detection in Rail Transit Based on a Multi-Mode Feature-Enhanced Convolutional Neural Network ［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23 （10）： 18051-18063.

[36] XU Y， ZHAO Y， KE W， et al. A Multi-Fault Diagnosis Method Based on Improved SMOTE for Class-Imbalanced Data ［J］. The Canadian Journal of Chemical Engineering， 2023， 101 （4）： 1986-2001.

基金资助

河北省高等学校科学研究项目(QN2025339)

天津市教委科研计划项目(2023KJ301)