366集成电路应用第40卷第1期（总第352期）2023年1月Applications创新应用Hinton等人首次提出。由于其强大的数据处理能力以及分类预估精度被广泛应用在各个领域之中，且随着越来越多的研究人员的投入，出现了非常多的优秀的深度学习算法。其中深度信念网络算法（Deepbeliefnetwork,DBN）是受研究人员广为青睐的一种，该方法基于多层和无监督贪婪学习可以获得主要变量和输入数据的分布特征，因而被广泛运用在语音识别、图像识别等领域。在轨道车辆可靠性预估领域，对DBN的研究很少，该方法的应用也很少。为了解决城市单轨车辆动力传动系统故障机理非常复杂，信号特征不明显的问题，本文基于DBN理论，提出了一种用于轨道车辆动力传动系统可靠性预估的新方法，以获得更高的可靠性预估精度。并且，通过SIMPACK与Matlab联合仿真验证了所提基于DBN的可靠性预估算法可以自适应地提取故障特征并实现智能诊断。2基于深度学习可靠性预估传统的可靠性预估方法一般是基于信号处理和诊断经验从机械信号中提取故障特征来进行可靠性预估，但目前的动力系统结构复杂，导致故障机理非常复杂，信号特征不明显，用传统的信号处理方法不可能有效地提取故障信息和预估动力传递系统的可靠性。基于深度学习的优势，本文提出了一种0引言城市单轨车辆具有噪声低、爬坡能力大、转弯半径小、建设周期短、造价低等优点在世界多个城市得到应用。然而随着应用广度的不断提高，城市单轨车辆也暴露出动力传动系统等关键部件故障频率较高、使用寿命较短、质量不够稳定、维护使用成本高等可靠性问题。为了保证城市单轨车辆的运行安全，必须从单轨车辆的振动信号中有效地提取异常特征，并快速准确地估计当前车辆动力传动系统的可靠性并确定动力传动系统的故障，以快速进行故障维修[1]。但目前仍然缺乏精准有效的可靠性预估方法，成为制约城市单轨车辆发展的关键所在。城市单轨车辆动力传动系统包括了动力传动齿轮箱、转向架、主动电机等关键动力传动件，动力系统结构复杂，导致故障机理非常复杂，信号特征不明显，用传统的信号处理方法不可能有效地提取故障信息和预估动力传递系统的可靠性[2]。1研究背景与传统的信号处理方法相比，深度学习算法可以自适应地提取故障特征，实现智能诊断，因此，本文将采用深度学习算法来进行动力传动系统的可靠性预估[3]。基于人脑功能思想的深度学习理论在[4]中由作者简介：陈佳欣，重庆交通大学机电与车辆工程学院；研究方向：电力数字化转型。收稿日...
