基于深度学习的列车制动盘剩余使用寿命预测研究

摘要

为实现制动盘剩余使用寿命的精准预测，保障列车制动安全并优化经济性维护，提出基于自注意力机制与长短期记忆网络融合并以裂纹扩展寿命为划分依据的预测模型。首先采集制动盘试验数据并标定工况，建立热力耦合有限元模型获取仿真数据集；其次构建Time-GAN神经网络，通过双层LSTM生成器与物理约束判别器增强数据，其分布相似性、均方根误差与决定系数均显著优于传统模型；最后提出BiLSTM-SA融合预测模型，利用双向LSTM和自注意力机制捕捉时序依赖与关键特征，在单一扩展型裂纹预测中较传统LSTM、TCN-LSTM的RMSE分别下降49.8%、46.5%，复杂工况下RMSE与Score分别下降25.5%、51.1%，显著提升预测精度与鲁棒性。该研究可为高速列车制动盘的状态监测与预防性维护提供可靠的技术方案。

关键词

制动盘 / 疲劳裂纹 / 剩余寿命预测 / 时间序列生成对抗网络 / 自注意力机制