沈乾坤

本文针对电气化铁路接触网系统维护效率低、故障响应滞后等问题，提出基于多源数据融合与深度学习的预防性维护解决方案。该方案通过分析接触网维护现状及技术难点，构建健康状态评估指标体系，设计剩余寿命预测模型，结合AI系统智能判断，从而为接触网系统建立一个完善的可预测性维护的虚拟大模型。通过初期输入的多源数据并自动完成计算，较为精确的预测出接触网不同时期的状态，根据智能评估报告给出维护方案，通知相关作业人员进行靶向维护。该方案理论上可以极大的提升维护的精确度，大大降低接触网系统的维护成本和因接触网问题造成的事故率，同时接触网系统的健康运营得到了有效保障。

接触网；预防性维护；剩余寿命；状态评估；靶向维护

[1] Si,X.S.,Wang,W.,Hu,C.H.,&Zhou,D.H.(2011).*Remaining useful life estimation—A review on the statistical data driven approaches*.European Journal of Operational Research,213(1),1-14. [2] Zhang,Y.,et al.(2017).*A Wiener-process-based degradation model with a recursive filter algorithm for remaining useful life estimation*.Mechanical Systems and Signal Processing,83,549-561. [3] 国家铁路局.(2022).*铁路行业统计公报*.北京:国家铁路局.

点击下载PDF