本研究由西安理工大学的Yongze Jin、Guo Xie*、Yankai Li、Xiaohui Zhang、Ning Han、Anqi Shangguan和Wenbin Chen共同完成，发表于2021年6月的期刊《Sensors》（论文标题：Fault diagnosis of brake train based on multi-sensor data fusion）。研究聚焦高速列车制动系统的多传感器数据融合故障诊断方法，旨在解决复杂工况下制动性能退化与复合故障的实时监测难题。
一、学术背景与研究目标
随着列车运行速度提升，制动系统的可靠性成为安全运营的核心挑战。论文指出，传统诊断方法无法有效区分制动盘性能退化（brake disc degradation）与轮轨黏着失效（wheel-rail adhesion failure）等复合故障，尤其在雨雪极端天气下，现有技术需以牺牲运行效率为代价保障安全。研究提出一种基于多传感器信息融合（multi-sensor data fusion）的新型故障诊断框架，结合无迹卡尔曼滤波（Unscented Kalman Filter, UKF）与改进期望最大化算法（Expectation Maximization, EM），实现制动参数实时辨识与故障精准定位。
二、研究流程与方法
研究分为四个关键步骤：
1. 制动系统建模
- 基于单质点模型（single mass model），建立包含空气制动（air braking）与黏着制动（adhesion braking）的列车动力学方程（式1）。模型中引入制动缸压力（pre）、传动效率（η）、制动盘摩擦系数（μa）等关键参数，并量化轮轨黏着系数（μ）随速度与轨道湿度的动态变化（式2）。
- 创新点：提出区分干轨与湿轨的黏着系数分段函数（式6-7），解决传统模型在低黏着工况下的失效问题。
多传感器数据融合
- 传感器建模：整合霍尔速度传感器（wheel hall speed sensor）与多普勒雷达（Doppler radar）的测量数据（式10-13），前者易受轮轨滑行干扰，后者不受轮径变化影响但安装精度要求高。
- 融合策略：提出两级融合架构——底层采用基于马氏距离（Mahalanobis distance）的自适应衰减UKF（式37-38），抑制模型误差；顶层通过线性最小方差准则（式14）全局优化，引入预分配权重（β_j）与动态融合系数（κ_j）（式15）。
- 异常数据处理：采用Q检验（式16）剔除异常值，并通过距离准则（式17-18）动态分配传感器权重，提升缺失或异常数据下的鲁棒性。
参数辨识与故障诊断
- 滑动窗口改进EM算法：以融合速度数据为输入，基于滑动窗口（式51-53）在线辨识制动盘摩擦系数与黏着系数（式61）。通过粒子滤波（particle filter）解决隐变量积分难题（式56-58），梯度优化迭代参数（式59-60）。
- 故障判定逻辑：对比参数辨识结果与阈值，区分制动盘退化（摩擦系数下降＞26.67%）、黏着失效（湿轨μ降低50%）或复合故障。
仿真验证
- 案例设计：以CRH3列车为对象，设置四类典型工况（正常制动、制动盘退化、单纯黏着失效、复合故障），模拟300 km/h至50 km/h紧急制动过程。
- 样本量：每组工况包含4类传感器数据（2台霍尔传感器+2台多普勒雷达），时长77-97秒，采样间隔0.1秒。
三、主要结果与贡献
数据融合性能
- 四传感器融合的速度误差仅±0.53%，显著优于车载ATP最大融合策略（±2.56%）。即使两传感器失效，误差仍控制在±1.74%（表3）。
参数辨识精度
- 制动盘摩擦系数辨识误差≤2.49%，湿轨黏着系数误差≤1.74%（表4-5）。图8-12显示，辨识曲线能准确追踪真实值突变（如摩擦系数从0.3降至0.22）。
故障诊断验证
- 案例2：摩擦系数下降26.67%时，系统准确判定制动盘退化（图12），刹车距离延长32.47%。
- 案例3：黏着失效导致霍尔传感器数据骤降（图14），但雷达数据与融合结果不受影响，算法正确识别湿轨工况（图16）。
理论创新
- 提出预分配权重与动态UKF结合的融合架构，解决多源数据不一致性问题。
- 改进EM算法的滑动窗口机制，实现时变参数的在线辨识。
科学价值：为复合故障诊断提供可解释的参数化方法，突破传统阈值报警的局限性。
应用价值：指导制动盘更换决策，优化极端天气下的列车制动策略。
四、研究亮点
- 方法创新：首次将UKF-EM混合算法应用于列车制动系统，融合物理模型与数据驱动优势。
- 工程适配性：算法在传感器异常时仍保持稳定（图7），满足实时性要求（计算延迟＜0.1秒）。
- 跨学科融合：结合动力学建模、信息融合与统计学习，为复杂系统故障诊断提供范式。
本研究通过严格的仿真验证，展现了其在提升高速列车安全性与维护效率方面的潜力，未来可扩展至实际车载系统的部署测试。