基于CBAM-CNN的高速列車制動閘片摩擦塊偏磨狀態(tài)監(jiān)控

許文鑫,張 敏*,莫繼良,胡若暉

(1.西南交通大學(xué) 機(jī)械工程學(xué)院 摩擦學(xué)研究所,四川 成都 610031;2.西南交通大學(xué) 軌道交通運(yùn)維技術(shù)與裝備四川省重點(diǎn)實(shí)驗(yàn)室,四川 成都 610031)

制動器作為高速鐵路列車及軌道車輛的重要部件，通過制動閘片摩擦塊和制動盤之間的摩擦來保證列車的減速與正常停止[1].摩擦塊與制動盤之間的制動界面作為摩擦制動系統(tǒng)的工作樞紐，保持良好的摩擦行為是摩擦制動可靠性的保證.由于制動過程中上下行線路的坡度和制動條件等不同，制動器的摩擦塊無法避免地發(fā)生了偏磨[2-3].在高速列車制動的過程中，摩擦塊磨損狀態(tài)的改變會造成制動過程中摩擦塊的振動信號、受力狀態(tài)以及摩擦系數(shù)等摩擦界面數(shù)據(jù)改變，這些因素的變化不僅會使制動過程產(chǎn)生噪音、影響乘客的舒適度，而且還會影響本身的制動性能[4-6].因此，通過高速列車制動閘片摩擦塊界面數(shù)據(jù)對摩擦塊的偏磨狀態(tài)進(jìn)行監(jiān)控顯得格外重要.

目前針對制動器性能狀態(tài)監(jiān)控的研究大多是利用傳統(tǒng)的機(jī)器學(xué)習(xí)算法，如決策樹、貝葉斯和支持向量機(jī)等[7-9].在特征提取方面，傳統(tǒng)的機(jī)器學(xué)習(xí)算法存在特征提取不全面、容易過擬合等問題，使模型提取出來的特征不能準(zhǔn)確的反映狀態(tài)類型.隨著深度學(xué)習(xí)算法的發(fā)展，研究人員將其運(yùn)用到機(jī)械設(shè)備的狀態(tài)監(jiān)控領(lǐng)域，其強(qiáng)大的特征提取能力能夠在數(shù)據(jù)中獲取更加有效的特征[10-12].雖然相對于傳統(tǒng)的機(jī)器算法，大多數(shù)的深度學(xué)習(xí)算法在特征提取能力上有顯著提高，但缺少用于辨別性模式特征的強(qiáng)化機(jī)制，無法向與模式相關(guān)的信號段賦予更多的注意，導(dǎo)致模型存在提取特征時模型注意力分散和提取出來的特征不全面等問題.

為了解決高速列車制動閘片偏磨狀態(tài)特征提取困難的問題，本文中設(shè)計了一種新的深度學(xué)習(xí)模型.將多尺度卷積與注意力機(jī)制相結(jié)合，使模型能夠有效的對各種偏磨狀態(tài)進(jìn)行特征提取，以達(dá)到準(zhǔn)確的監(jiān)測制動閘片摩擦塊偏磨狀態(tài)的目的.

1 高速列車制動閘片偏磨試驗(yàn)設(shè)計

1.1 高速列車制動閘片摩擦塊偏磨狀態(tài)的產(chǎn)生

高速列車的停止與減速主要是通過制動閘片中的摩擦塊與制動盤之間的摩擦實(shí)現(xiàn)的，其原理如圖1所示.摩擦塊先滑過制動盤的一端為切入端，在制動過程中，摩擦塊與制動盤之間的接觸會使摩擦塊伴隨著不可避免的摩擦和損耗.由于高速列車在行駛過程中的上下行路線坡度和制動環(huán)境等影響因素不同，導(dǎo)致摩擦塊與制動盤之間的接觸面的受力情況不一致，使摩擦塊切入端產(chǎn)生應(yīng)力集中的現(xiàn)象以造成磨損量增加，即發(fā)生了偏磨[13].

Fig.1 Working diagram of friction block圖1 摩擦塊工作示意圖

為更好的了解摩擦塊偏磨狀態(tài)產(chǎn)生的原因，下面將對摩擦塊未工作時和工作時的受力狀態(tài)進(jìn)行分析.如圖2(a)所示，當(dāng)制動器未工作時，壓力F將制動盤與摩擦塊壓緊，制動盤對摩擦塊產(chǎn)生1個支持力FN1使摩擦塊受力達(dá)到平衡.當(dāng)制動盤工作時，制動盤與摩擦塊之間產(chǎn)生摩擦力Ff，將其分解到摩擦塊的質(zhì)心為力矩Mf和力Ff＇而固定摩擦塊的保持架將會對摩擦塊產(chǎn)生支持力FN2使摩擦塊受力平衡，如圖2(b)所示.由于在制動盤轉(zhuǎn)動過程中，存在唯一的力矩Mf，使摩擦塊出現(xiàn)摩擦塊切入端壓緊而另一端放松的狀態(tài)，使摩擦塊磨損量不均勻，如圖2(c)所示，其中δ為偏磨量.

Fig.2 Generation of eccentric wear state of friction block圖2 摩擦塊偏磨狀態(tài)產(chǎn)生

1.2 高速列車制動閘片摩擦塊偏磨實(shí)驗(yàn)設(shè)計

為更好研究高速列車制動閘片的摩擦塊偏磨狀態(tài)，本文中基于自主研制的高速列車制動試驗(yàn)臺開展了制動試驗(yàn)，采集了摩擦塊磨損時的各狀態(tài)數(shù)據(jù).如圖3所示，試驗(yàn)平臺由信息采集系統(tǒng)、控制系統(tǒng)、加載系統(tǒng)以及制動盤閘片系統(tǒng)組成.摩擦塊材料及制動盤試樣材料均來自于我國高速列車(CRH380A)所用的真實(shí)制動盤與制動片，并加工成試驗(yàn)所需的尺寸，示意圖如圖4所示.

Fig.3 Experimental platform (a.brake disc; b.friction block; c.acceleration sensor)圖3 試驗(yàn)平臺(a.制動盤；b.摩擦塊；c.加速度傳感器)

Fig.4 Schematic diagram of friction block and brake disc sample圖4 摩擦塊與制動盤樣品示意圖

為研究摩擦塊偏磨狀態(tài)，本文中將對摩擦塊的所有邊進(jìn)行定義.針對制動器摩擦塊的偏磨故障，試驗(yàn)設(shè)計了四種類型的摩擦塊，設(shè)計的摩擦塊如圖5所示.圖5(a)中是未產(chǎn)生偏磨的摩擦塊，圖5(b)是以1號邊與4號邊構(gòu)建斜截面達(dá)到磨損量為1 mm的1號邊偏磨，圖5(c)是以2號邊與A點(diǎn)構(gòu)建斜截面達(dá)到磨損量為1 mm的2號邊偏磨，圖5(d)是以C和E兩點(diǎn)的連線與A點(diǎn)構(gòu)建斜截面，斜截面穿過D點(diǎn)，保證D點(diǎn)的磨損量為1 mm的D點(diǎn)偏磨.

Fig.5 Schematic diagram of eccentric wear of friction block of brake pad圖5 制動閘片摩擦塊偏磨示意圖

在高速列車制動過程中，摩擦塊的表面磨損隨著振動的增加而增大[14].此外，大量研究表明切向加速度振動信號能夠更好地反應(yīng)摩擦塊在工作狀況下的振動特性[15-17].因此，主要通過夾具表面的三向加速度傳感器(東華1A302E，量程±500 g，靈敏度10 mV/g)采集不同偏磨狀態(tài)的切向加速度振動信號，采樣頻率為50 kHz.由于人眼很難從采集到的振動信號中準(zhǔn)確的識別摩擦塊的偏磨狀態(tài)類型，將通過深度學(xué)習(xí)算法構(gòu)建狀態(tài)監(jiān)控模型.

2 狀態(tài)監(jiān)控方法

為解決摩擦塊偏磨狀態(tài)特征提取困難的問題，本文中構(gòu)建了一種狀態(tài)監(jiān)控模型，通過對單個摩擦塊的磨損狀態(tài)進(jìn)行識別，以實(shí)現(xiàn)整個制動閘片的狀態(tài)監(jiān)控.該模型利用熱圖對數(shù)據(jù)進(jìn)行預(yù)處理，并將CBAM(Convolutional block attention module)與多尺度卷積相結(jié)合進(jìn)行高速列車制動器摩擦塊偏磨狀態(tài)監(jiān)控，其整體框架如圖6所示.

Fig.6 Monitoring frame of eccentric wear state of friction block圖6 摩擦塊偏磨狀態(tài)監(jiān)控框架

2.1 信號預(yù)處理

目前大多數(shù)的深度學(xué)習(xí)算法均是基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行搭建，因其具有局部感知和參數(shù)共享的特點(diǎn)被廣泛應(yīng)用于圖像識別領(lǐng)域.但是通過摩擦塊偏磨試驗(yàn)采集到試驗(yàn)數(shù)據(jù)為一維時序信號，為更好地利用卷積神經(jīng)網(wǎng)絡(luò)在圖像處理的優(yōu)勢以及最大程度地利用CBAM的功能，將不同狀態(tài)的摩擦塊偏磨振動加速度信號轉(zhuǎn)化為二維熱圖.熱圖作為一種可視化手段，因其色彩變幻和豐富的信息展示被廣泛應(yīng)用在大數(shù)據(jù)分析中，主要通過亮度和色差來表示數(shù)據(jù)的差異.針對摩擦塊的一維振動加速度信號，按照1 024的長度將數(shù)據(jù)劃分為不同的信號段，并將其轉(zhuǎn)換為32×32的矩陣，然后通過熱圖變換將信號矩陣轉(zhuǎn)化為二維圖像數(shù)據(jù)作為模型的輸入.轉(zhuǎn)換過程如圖7所示.

Fig.7 One-dimensional signal conversion two-dimensional image圖7 一維信號轉(zhuǎn)換二維圖像

2.2 基于CBAM-CNN模型搭建

本文中提出將CBAM與卷積神經(jīng)網(wǎng)絡(luò)CNN (Convolutional neural network,CNN)相結(jié)合的狀態(tài)監(jiān)控模型CBAM-CNN，模型主要由多尺度卷積、CBAM以及殘差連接3個部分組成.通過在模型中加入多尺度卷積和CBAM模塊，使其能夠更全面和更高效地對偏磨狀態(tài)特征進(jìn)行提取.

在對摩擦塊偏磨信號進(jìn)行特征挖掘時，傳統(tǒng)的卷積方法只使用單一大小的卷積核進(jìn)行特征挖掘，模型會在特征提取過程丟失大量的深層偏磨狀態(tài)特征[18].為使模型更全面地對偏磨的狀態(tài)特征進(jìn)行提取，本文中構(gòu)造了兩種多尺度卷積模塊.采用1×1、3×3和5×5的卷積核進(jìn)行特征提取，用兩個3×3的卷積代替5×5的卷積.此外，模型的多尺度卷積采用1×3和3×1的卷積代替3×3的卷積，降低了模型的計算開銷.通過多尺度卷積，不僅可以提高模型對摩擦塊偏磨信號的特征提取性能，還可以增加模型的寬度，提高模型的魯棒性.

為更好地對摩擦塊偏磨的狀態(tài)進(jìn)行特征提取，本文中在模型的不同位置加入CBAM模塊，使模型能夠更有效的提取不同狀態(tài)的偏磨特征.CBAM是一種包含了一維通道注意力和二維空間注意力的注意力機(jī)制.相比與SE (Squeeze and Excitation，SE)注意力機(jī)制，CBAM既考慮不同通道像素的重要性，又考慮了同一通道不同位置像素的重要性[19].本文中用到的注意力機(jī)制均由CBAM和殘差連接兩部分構(gòu)成，將輸入注意力機(jī)制的特征圖與注意力機(jī)制輸出的特征圖相加.

對于1個中間層的特征圖S∈RC×H×W，CBAM會先計算出通道注意力特征圖MC∈RC×1×1和空間注意力特征圖MS∈R1×H×W，其中，C為特征圖深度，H和W分別為特征圖的高度和寬度.整個計算過程如公式(1)和公式(2)所示.

其中?為元素乘積運(yùn)算，S1為輸入的中間層特征圖S和通過通道注意力獲得的特征圖MC(S)的乘積，S2為將S1輸入空間注意力獲得的特征圖MS(S1)和S1相乘的結(jié)果.通過在模型的不同位置加入CBAM，使模型能夠更高效地對摩擦塊偏磨狀態(tài)特征進(jìn)行提取.

隨著摩擦塊偏磨狀態(tài)監(jiān)控模型的加深，模型會出現(xiàn)梯度爆炸和梯度消失.為了解決這一問題，在模型的不同位置加入殘差連接，使得在訓(xùn)練更深模型的同時，又能保證模型良好的監(jiān)測性能[20].殘差連接從輸入到中間層以及從中間層到輸出層引入了捷徑連接,緩解了梯度消失問題，同時降低了訓(xùn)練難度.

針對整個摩擦塊偏磨狀態(tài)監(jiān)控模型，其輸入為由摩擦塊振動信號轉(zhuǎn)化的熱圖.該模型的特征提取主要由以下3個階段組成.第一階段為初步特征提取，通過3個卷積層與1個池化層對熱圖的局部特征進(jìn)行學(xué)習(xí)，并利用殘差連接對前四層的信息進(jìn)行整合.經(jīng)過第一輪的卷積與池化運(yùn)算，模型完成了對摩擦塊偏磨狀態(tài)的初步特征提取.然后將第一輪特征提取的結(jié)果輸入第一個CBAM模塊，為通道與空間賦予權(quán)重得到經(jīng)過雙重注意力調(diào)整的特征圖.第二階段將CBAM得到的特征圖依次輸入兩個不同的多尺度卷積模塊，對特征圖進(jìn)行不同尺度的卷積操作以提取到不同尺度的特征，并將提取的特征融合.經(jīng)過兩個多尺度卷積模塊，模型將進(jìn)入第二個CBAM模塊，對特征圖賦予不同的權(quán)重.通過將CBAM輸出的特征圖輸入3個卷積層，并將其進(jìn)行殘差連接以實(shí)現(xiàn)最終的特征提取.最后利用全局平均池化將參數(shù)映射到樣本標(biāo)簽空間，由softmax層完成對偏磨狀態(tài)的分類.模型的架構(gòu)說明列于表1中.

表1 模型架構(gòu)說明Table 1 Illustration of model structure

3 偏磨狀態(tài)監(jiān)控試驗(yàn)分析

3.1 試驗(yàn)數(shù)據(jù)

通過高速列車制動試驗(yàn)臺采集到正常、1號邊偏磨、2號邊偏磨以及D點(diǎn)偏磨四種試驗(yàn)數(shù)據(jù).其中，每一種數(shù)據(jù)包含500 000個數(shù)據(jù)點(diǎn).雖然數(shù)據(jù)點(diǎn)數(shù)量越多，統(tǒng)計措施更有意義，但是隨著數(shù)據(jù)長度的增加，模型的計算復(fù)雜度也會逐漸加大.為了達(dá)到平衡，本文中選取1 024作為試驗(yàn)的樣本長度.然后將劃分好的樣本通過熱圖變換轉(zhuǎn)化為圖片，并將其劃分為訓(xùn)練集、驗(yàn)證集和測試集，劃分比例為3:1:1，并列于表2中.

表2 訓(xùn)練樣本數(shù)據(jù)Table 2 The training sample data

3.2 網(wǎng)絡(luò)訓(xùn)練

試驗(yàn)?zāi)Ｐ褪褂没趐ython的tensorflow框架，所用計算機(jī)的配置為RTX2060，16 GB內(nèi)存.在投入模型訓(xùn)練前，將所有樣本乘以1/255縮放以進(jìn)行歸一化處理.整個模型訓(xùn)練過程中選取categorical_crossentropy作為損失函數(shù)，adam作為自適應(yīng)優(yōu)化器.通過對不同學(xué)習(xí)率的模型進(jìn)行試驗(yàn)分析，分析結(jié)果列于表3中，將學(xué)習(xí)率設(shè)置為1×10-4.整個模型訓(xùn)練次數(shù)為100.由于更小的batch_size訓(xùn)練神經(jīng)網(wǎng)絡(luò)有助于增強(qiáng)模型的泛化能力[21]，因此將batch_size設(shè)置為32以增強(qiáng)模型的泛化能力.模型的訓(xùn)練過程參數(shù)變化如圖8所示，從圖8(a)、(b)和(c)可以看出，模型經(jīng)過30次迭代后，準(zhǔn)確率和損失值逐漸趨于平穩(wěn)，經(jīng)過足夠的訓(xùn)練周期，訓(xùn)練損失降為0，準(zhǔn)確率達(dá)到100%，說明模型從訓(xùn)練集中已經(jīng)學(xué)習(xí)到較好的規(guī)則，并且訓(xùn)練曲線緊緊跟隨驗(yàn)證曲線，說明模型沒有發(fā)生過擬合.從召回率可以發(fā)現(xiàn)，經(jīng)過30次迭代，模型的召回率達(dá)到100%，進(jìn)一步體現(xiàn)了模型強(qiáng)大的識別能力.通過auc (Area under the roc curve)值變化曲線可以發(fā)現(xiàn)，經(jīng)過迭代模型的auc值趨近1，表明所設(shè)計的模型是合理的.

Fig.8 Training process curve圖8 訓(xùn)練過程曲線

表3 學(xué)習(xí)率調(diào)節(jié)試驗(yàn)Table 3 Learning rate regulation test

將測試集輸入訓(xùn)練好的網(wǎng)絡(luò)，得到摩擦塊偏磨狀態(tài)識別混淆矩陣圖和分類結(jié)果圖，如圖9和圖10所示，圖中坐標(biāo)的數(shù)字0到3分別表示1號邊偏磨、2號邊偏磨、D點(diǎn)偏磨與正常狀態(tài)的四種摩擦塊類型，圖9中矩陣的對角線為識別每種摩擦塊偏磨狀態(tài)的準(zhǔn)確率.從圖9和圖10可以看出，針對摩擦塊的四種狀態(tài)類型，試驗(yàn)的準(zhǔn)確率均達(dá)到100%.結(jié)果表明，模型具有強(qiáng)大的特征提取能力，能夠?qū)δΣ翂K的不同偏磨狀態(tài)進(jìn)行準(zhǔn)確的識別，驗(yàn)證了本模型在高速列車制動閘片摩擦塊偏磨狀態(tài)監(jiān)控的可行性.

Fig.9 Confusion matrix圖9 混淆矩陣

Fig.10 The classification result圖10 分類結(jié)果圖

3.3 與其他算法對比分析

為驗(yàn)證本文中模型的優(yōu)越性，將提出的CBAMCNN模型與常見的機(jī)器學(xué)習(xí)算法支持向量機(jī)(Support vector machine,SVM)、深度神經(jīng)網(wǎng)絡(luò)(Deep neural network,DNN)、隨機(jī)森林(Random forest)、深度學(xué)習(xí)方法卷積神經(jīng)網(wǎng)絡(luò)CNN、CNN與SE注意力機(jī)制的結(jié)合、長短期記憶網(wǎng)絡(luò)LSTM (Long short-term memory,LSTM)與CNN的結(jié)合以及雙向長短期記憶網(wǎng)絡(luò)(Bidirectional long short-term memory,BILSTM)與CNN的結(jié)合進(jìn)行對比試驗(yàn).所有對比試驗(yàn)中有關(guān)CNN的算法都是由3個卷積層和3個池化層構(gòu)成，卷積核數(shù)目分別為32、64和128，卷積核大小均為3×3.DNN是由4個全連接層構(gòu)成，且每個全連接層后都加入Dropout層以防止過擬合，其神經(jīng)元個數(shù)分別設(shè)置為64、64、32和32.CNN-SE模型是在3個卷積層和3個池化層后加入了1個SE注意力機(jī)制.CNN-LSTM和CNNBILSTM中的神經(jīng)元個數(shù)均設(shè)置為16.

在對比試驗(yàn)中，每個模型均使用通過熱圖變換得到的圖像數(shù)據(jù)集進(jìn)行試驗(yàn)，不同模型得到的試驗(yàn)結(jié)果列于表4中.與傳統(tǒng)的機(jī)器學(xué)習(xí)算法對比，深度學(xué)習(xí)的算法在摩擦塊偏磨狀態(tài)監(jiān)控試驗(yàn)中準(zhǔn)確率均達(dá)到95%以上，遠(yuǎn)高于大多數(shù)的機(jī)器學(xué)習(xí)算法，這表明深度學(xué)習(xí)方法在高速列車制動閘片偏磨狀態(tài)特征提取方面的優(yōu)越性.此外，相對于其他深度學(xué)習(xí)模型，本文中提出的CBAM-CNN模型，不僅能達(dá)到較高的識別準(zhǔn)確率100%，而且平均準(zhǔn)確率也達(dá)到99.89%，說明CBAM-CNN模型具有更好的狀態(tài)監(jiān)控能力.通過對模型的十次準(zhǔn)確率繪制箱型圖，如圖11所示，可以看出，在偏磨狀態(tài)監(jiān)控方面，本文中提出的模型不僅能夠達(dá)到最高的準(zhǔn)確率，而且模型的識別準(zhǔn)確率方差最小、性能最穩(wěn)定.各種算法之間的性能評價指標(biāo)列于表5中，包括準(zhǔn)確率(P)、召回率(R)和F1-score (F1).從表中可以看出，CBAM-CNN的各項(xiàng)指標(biāo)均高于其他算法，說明CBAM-CNN具有較強(qiáng)的泛化能力.

Fig.11 Box diagram of accuracy in ten experiments with different models圖11 不同模型十次試驗(yàn)準(zhǔn)確率箱型圖

表4 不同模型十次試驗(yàn)結(jié)果Table 4 Ten experimental results of different models

表5 不同模型的監(jiān)控結(jié)果評估Table 5 Evaluation of monitoring results of different algorithms

3.4 模型t-SNE可視化分析

高維特征可視化方法t-SNE (t-distributed stochastic neighbor embedding)被用來檢驗(yàn)不同網(wǎng)絡(luò)和不同輸入數(shù)據(jù)形式的特征提取效果[22].如圖12所示，為了更好地反映所提模型的特征提取能力，在模型的不同位置進(jìn)行t-SNE可視化分析，其中不同的顏色形狀分別代表偏磨的不同狀態(tài)類型.通過t-SNE將模型提取到的特征投影到二維空間，圖中的x和y軸代表兩個維度，表示的是每個數(shù)據(jù)之間的相互距離.圖12(a)所示為經(jīng)過前3層卷積后的可視化結(jié)果，顯示了原始的狀態(tài)特征很難從3層卷積層的數(shù)據(jù)中分離出來.圖12(b)所示為經(jīng)過兩個多尺度卷積模塊后的可視化結(jié)果，從圖中可以發(fā)現(xiàn)經(jīng)過兩個多尺度卷積模塊后得到特征仍然沒有完全分開，但特征分布開始呈現(xiàn)分離的趨勢.在圖12(c)中，經(jīng)過整個特征提取模型，四種狀態(tài)特征已經(jīng)完全分離.

Fig.12 Visualization at different stages of the model圖12 模型不同階段可視化

為了驗(yàn)證本文中提出模型的特征提取能力，將對比模型中的CNN、CNN-SE、CNN-LSTM、CNN-BILSTM以及本文中提出的CBAM-CNN模型最后1個隱藏層得到的特征進(jìn)行可視化分析.如圖13所示，四種深度學(xué)習(xí)模型對高速列車制動閘片偏磨數(shù)據(jù)都具有高效的特征提取性能，每種偏磨狀態(tài)類型的特征在空間上具有明顯的可分性.但在空間聚簇性上，CBAM-CNN明顯優(yōu)于CNN、CNN-SE、CNN-LSTM和CNN-BILSTM，這進(jìn)一步表明了本文中提出的模型有著強(qiáng)大的特征提取能力，代表的每種偏磨狀態(tài)的特征在空間具有明顯的可分性.

Fig.13 Visual diagram of data characteristics of eccentric wear state of brake pad圖13 制動閘片偏磨狀態(tài)數(shù)據(jù)特征可視化圖

4 結(jié)論

針對高速列車制動閘片摩擦塊磨損的偏磨狀態(tài)，本文中提出了一種基于深度學(xué)習(xí)模型的狀態(tài)監(jiān)控方法.模型采用多尺度卷積與CBAM相結(jié)合的方式進(jìn)行搭建，是一種高效的制動閘片摩擦塊狀態(tài)監(jiān)控框架，通過在自制高速列車制動試驗(yàn)臺采集的數(shù)據(jù)上進(jìn)行試驗(yàn)驗(yàn)證，得到結(jié)論如下：

a.通過將振動信號轉(zhuǎn)化為二維的熱圖對狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，能夠更清晰地反映出每種狀態(tài)的特征，使模型能夠更準(zhǔn)確地對偏磨狀態(tài)進(jìn)行特征提取.

b.設(shè)計并實(shí)現(xiàn)了一種基于CBAM的深度學(xué)習(xí)模型，對四種不同偏磨狀態(tài)進(jìn)行識別.試驗(yàn)結(jié)果表明，所提模型能夠有效地對高速列車制動閘片的偏磨狀態(tài)進(jìn)行監(jiān)控.

c.相比其他的機(jī)器學(xué)習(xí)方法，本文中提出模型的準(zhǔn)確率能夠保持較高的水平，并且其穩(wěn)定性也優(yōu)于其他模型，表明了CBAM-CNN模型在高速列車偏磨狀態(tài)監(jiān)控的優(yōu)越性.