Construction and Application Exploration of Railway Signal Intelligent Operation and Maintenance Large Model
-
摘要:
针对铁路信号领域设备种类繁多、数据分散的现状,探索利用人工智能大模型技术实现传统信号运营维护(简称:运维)智能化升级的路径。分析铁路信号运维在数据治理、故障诊断等方面的核心问题,选择DeepSeek-R1作为基础模型,通过接口扩展实现多源异构数据的标准化治理,构建统一的数据处理流程;采用分层学习机制与混合微调策略,结合增量学习、小样本学习等技术,提升基础模型对动态数据的适应性及罕见故障的诊断能力;设计设备智能诊断、智能问答助手和预防性维护等3个核心应用场景,推动大模型在铁路信号运维中的实际落地,降低人工运维成本。研究成果为铁路信号系统智能化升级提供了可行的技术方案与实践参考。
Abstract:In response to the diverse types of equipment and scattered data in the field of railway signaling, this paper explored the path of using artificial intelligence large model technology to implement intelligent upgrading of traditional signal operation and maintenance. The paper analyzed the core issues of railway signal operation and maintenance in data governance, fault diagnosis, and other aspects, chose DeepSeek-R1 as the basic model to implement standardized governance of multi-source heterogeneous data through interface extension, and built a unified data processing flow, adopted a hierarchical learning mechanism and a hybrid fine-tuning strategy, improved the adaptability of the basic model to dynamic data and the diagnostic ability for rare faults by combining techniques such as incremental learning and small sample learning. It designed three core application scenarios, including intelligent diagnosis of equipment, intelligent question and answer assistant, and preventive maintenance to promote the practical implementation of large models in railway signal operation and maintenance, and reduce manual operation and maintenance costs. The research results provide feasible technical solutions and practical references for the intelligent upgrade of railway signal system.
-
近年来,我国铁路网规模快速扩张,铁路信号系统作为铁路运输安全的核心,其重要性日益凸显。铁路信号设备技术体系日趋复杂,设备种类与数据量激增,尽管已搭建起列车运行控制(简称:列控)设备动态监测系统(DMS,Dynamics Monitoring System)、信号集中监测(CSM,Centralized Signaling Monitoring)系统等立体化监测网络,但仍存在铁路信号系统资源整合不足、数智化水平较低等问题。
为此,铁路部门积极推进运营维护(简称:运维)模式革新,实施“周期修+状态修”策略,深化监测数据分析,推动维修模式从传统计划修向科学化运维转变。目前,传统运维模式在设备全生命周期管理、异构数据处理及故障响应等方面仍存在短板,尤其在高速铁路(简称:高铁)领域,列车高密度运行与维修天窗期缩短,对信号设备监测提出更高要求。
当前,智能运维技术已迈向系统级健康管理阶段,大模型技术在跨模态处理与知识推理方面取得突破[1-2]。相较于传统机器学习,大模型凭借参数规模优势,在多源数据融合与故障预测领域展现显著潜力[3]。尽管大模型已在建筑[4]、公路[5]、医疗[6]等领域广泛应用,但在铁路信号这种强时序性、高安全性场景中,其跨设备协同分析、小样本故障诊断能力仍待提升。文献[7]介绍了交通领域已开展的基于大模型的预测性维护系统研发,但其技术路线多聚焦于通用设备监测,缺乏对铁路信号特有属性的针对性设计;国内在相关领域也尚未形成完整方案,难以适配铁路信号系统特性。
针对以上问题,本文基于铁路信号智能运维需求与技术趋势,提出构建铁路信号智能运维大模型的系统性方案。
1 铁路信号运维现状与技术挑战
1.1 铁路信号系统运维特点
当前铁路信号设备的运维流程通常包括日常巡检、定期维护和故障抢修等环节[8],如图1所示。日常巡检依赖人工按照既定的巡检路线和标准,检查设备外观与功能;定期维护根据设备周期开展全面检测保养;故障抢修则要求快速定位故障并恢复设备运行。
目前,信号集中监测系统是运维数据的核心来源,其采集的多设备参数构成运维基础。运维流程遵循“监测−诊断−处置−评估”闭环,根据相关规定,要求电务段下属车间检查分析工区每天浏览车站报警信息及设备曲线,电务段信息分析工区每天浏览全段车站报警信息,每2天浏览全段车站曲线。根据报警信息及曲线浏览结果,记录可能存在的安全隐患,安排相应人员进行现场分析处置。这种运维模式高度依赖人工经验且数据分散,整合分析难度大,难以形成设备运行全貌。
1.2 核心问题分析
(1)数据碎片化与信息孤岛问题[9]:相关规范要求采集项日益增多,多源异构数据特征日益凸显。既有设备数据日志多为结构化时序数据,而维修文本记录、历史故障维修处置信息等非结构化数据同样包含大量与运维相关的信息。因设备协议、接口及厂商差异,数据融合转换复杂,物理时序对齐与语义关联困难,增加了数据处理的难度和成本。
(2)故障模式识别局限问题:铁路信号设备的故障模式复杂多样,受到设备老化、环境变化、电气干扰等多种因素的影响,传统阈值判断与经验规则难以识别复杂故障。
(3)预测性维护实施难点问题:实现预测性维护需要对设备的运行数据进行长期、连续的监测和分析,以建立准确的设备健康模型。目前铁路信号设备监测维度较少,数据丰富度难以满足要求。
(4)跨系统协同运维问题:铁路信号系统与通信、供电等其他铁路系统之间的协同机制尚不完善,在处理复杂故障时各系统之间难以高效联动。
(5)实时性要求与响应时效问题:当前铁路信号系统在硬件设备与基础算法层面已具备一定的实时处理能力,关键节点的故障检测模块可在毫秒级内识别异常信号,并触发本地告警机制。但故障信息传递层级多、人工决策繁琐、铁路信号系统整合弱,导致故障响应延迟。在高密度行车场景下,易引发连锁风险,威胁列车运行安全与效率。
2 铁路信号智能运维大模型构建方案
构建铁路信号智能运维大模型,旨在打造一个能够精准适配铁路信号运维场景,实现智能分析、故障诊断等功能的核心技术体系,其功能架构如图2所示。
铁路信号智能运维大模型构建整体流程遵循从基础模型选型到领域数据适配,再到模型优化及实际推理应用的逻辑脉络,具体包括预训练模型选择、行业与应用场景数据库构建、模型微调,以及推理部分设计等关键环节,同时,搭建反馈机制,确保模型在实际运维场景中持续进化,适应铁路信号领域的复杂需求。该大模型构建流程如图3所示。
2.1 预训练模型选型
构建铁路信号智能运维大模型,需要综合考量模型架构特性、适配能力及工程落地可行性[10]。表1对比分析了当前主流预训练模型在处理铁路信号领域多模态数据时的性能表现。
表 1 主流模型性能对比模型特性 BERT GPT DeepSeek ChatGLM 架构类型 双向编码器 单向解码器 编码器-解码器 编码器-解码器 参数规模 110 M~330 M 1.5 B~175 B 7 B~671 B 6 B~130 B 训练数据类型 通用文本 通用文本 代码+文本 多语言文本 领域适配能力 强(双向上下文建模) 中(单向生成) 强(代码逻辑推理) 中(中文优化) 多模态支持 弱(需扩展) 弱(需扩展) 中(代码−文本对齐) 中(插件机制) 计算效率 高(编码器架构) 中(自回归生成) 高(量化支持) 高(量化优化) 工业迁移成本 低(预训练+微调) 中(指令微调) 低(代码领域优势) 中(中文生态) 由表1可知,BERT(Bidirectional Encoder Representation from Transformers)具有双向编码器结构,使其在处理铁路信号领域的文本数据时具有天然优势,但其对时序和图像数据的处理能力有限,需要依赖外部模块扩展;GPT(Generative Pre-trained Transformer)是单向解码器架构,更适合生成式任务,但在捕捉铁路信号数据中的双向上下文关系时存在不足,且参数规模较大导致部署成本较高;DeepSeek基于Transformer架构设计,融合了代码预训练和大规模文本训练,在逻辑推理和技术文档理解上表现突出,与铁路信号领域对故障诊断、规则推理的需求高度契合;ChatGLM(Chat Generative Language Model)支持多轮对话,但在专业领域知识的深度理解上需要进一步增强,且迁移成本较高。
考虑到针对中文场景的优化情况及迁移成本,本文提出以DeepSeek-R1为基础模型的混合架构构建方案,该模型擅长代码、自然语言推理等复杂任务。以DeepSeek作为基础模型,优势如下:铁路信号领域存在大量技术诊断逻辑和算法逻辑,DeepSeek对代码的理解能力可直接迁移到规则推理任务中;DeepSeek-R1通过扩展多模态接口,可集成ViT(Vision Transformer)处理图像数据,以及 TST(Time Series Transformer)处理时序数据;DeepSeek-R1支持LoRA(Low-Rank Adaptation)等参数高效微调技术,在有限计算资源下实现专业知识快速学习调整。
2.2 数据治理
2.2.1 数据来源
数据集整合了多源异构数据,以铁路专业数据为基础进行基座模型训练形成专业大模型,具体数据来源如下。
(1)规范层面,构建铁路技术标准规章制度知识库,集成铁路行业标准(TB)、中国国家铁路集团有限公司(简称:国铁集团)技术规章、铁路局集团公司规章制度等全维度规范体系,收集行业规章与技术标准文件。
(2)专业知识及实践经验方面,数据集广泛纳入相关领域的专业出版书籍及各类文献。具体涵盖铁路信号基础理论、信号设备维护等知识体系的相关著作及各类专业教材。同时,还收集了铁路一线人员基于现场维护经验编写的实训手册等资料。
(3)来自信号集中监测系统的报警信息与设备采集数据,是数据集的关键组成部分。报警信息详细记录了信号设备在运行过程中出现的各类异常状况,具体涵盖报警等级、故障设备及其类型、故障发生时间、故障位置等关键信息,作为评估设备实际运行状态以及潜在安全隐患的参考;设备采集数据包含轨道电路、道岔转辙机、信号机等核心信号设备的实时运行参数,为模型分析设备的性能表现与运行状态提供了海量丰富的数据支持。
2.2.2 数据处理及存储
为了确保数据的质量和可用性,对收集到的数据进行处理,数据处理流程如图4所示。
(1)进行数据清洗,去除重复、错误或不完整的数据,对缺失值进行合理的填充或插值处理,确保数据完整准确。
(2)对数据进行标准化标注,根据数据的类型和用途,采用不同的标注方法。对于行业规章和技术标准等文本数据,进行语义标注和实体识别,标注出关键术语、概念和关系;对于信号集中监测的报警信息和数据采集信息,进行故障类型标注和状态特征标注,同时将不同格式的数据统一转换为模型可处理的标准格式,为模型训练提供数据基础。
(3)经过预处理的数据存储在分布式数据库和文件系统中,建立数据索引和元数据管理机制,方便快速检索和查询数据,支持对历史数据的长期保存和管理。
2.3 模型训练
2.3.1 分层训练机制
以DeepSeek-R1为基础,设计分层训练策略,遵循渐进式技术路径,通过层级化知识迁移与能力构建,实现从通用语言模型到铁路信号专业智能体的演进,如图5所示。
(1)通用语义奠基层:领域认知框架构建。通过领域文本冷启动训练建立铁路信号领域的基础语义表征能力。该阶段以铁路技术标准、信号基础知识等规范文本为输入,采用掩码语言模型(MLM,Masked Language Model),引导模型学习“进站信号机”“轨道电路分路不良”等专业术语释义,建立上下文关联与规章文本的逻辑结构。此过程为构建“领域认知框架”,使其能够识别80% 以上的信号专业词汇,形成对铁路信号领域语言体系的基础理解能力,在避免破坏模型通用语义能力的前提下,完成从“通用语言理解” 到“领域文本解析”的初步过渡。
(2)领域知识注入层:专业推理能力构建。在完成基础语义表征的基础上,实现铁路信号专业知识的流程化、系统化知识注入。定义设备实体、故障实体、维修实体等核心实体类型,通过自然语言处理技术从行业规章、设备手册、历史案例分析中抽取实体属性,并构建故障—现象、维修—资源、时空—设备的关联关系。通过提示微调技术,转化为自然语言推理任务,引导模型学习故障因果链逻辑。通过大量案例,学习如何将理论知识应用于实践,覆盖运维核心场景,初步具备铁路信号运维的决策支持能力。在此过程中,模型逐渐理解铁路运维的专业逻辑,如“机械室内故障”与“机械室外故障”的排查差异,形成针对铁路信号的诊断思维。
(3)多源数据融合层:复杂场景决策能力构建。通过跨模态特征融合技术提升模型对复杂场景的综合推理能力,综合不同维度的信息进行判断。例如,当收到“轨道电路电压超限报警”时,模型不仅查看电压数据波动情况,还检查维修计划判断是否由施工引起,结合列车运行情况、历史案例与故障知识库,给出报警的可能原因。这种训练使决策过程不再依赖单一数据,而是通过多源信息的交叉验证,提升判断的准确性与可靠性。
该分层训练策略底层保留基座模型的通用能力,避免领域知识注入导致灾难性遗忘;中层通过知识图谱与任务驱动,实现从理解到推理的能力跃迁;高层通过多模态融合,模拟人类专家多源信息交叉验证的决策过程。该策略具有较高的可扩展性及鲁棒性,新增场景时仅需要调整适配层与任务分支,无须重构模型,分层架构使模型在语言理解、逻辑推理、任务决策等维度形成互补,降低单一数据或任务类型的性能波动风险。
2.3.2 混合微调策略设计
针对数据的专业性与复杂性,采用“全量微调+低秩适配”的混合训练策略,在保证模型泛化能力的同时降低训练成本。
基于铁路专业语料对DeepSeek-R1基础模型进行全量参数训练。训练过程中重点优化故障特征提取、维修策略生成、多源数据融合训练,深度挖掘信号设备故障的特征模式与潜在规律,基于故障案例数据训练生成式模型,实现“故障类型—维修步骤—安全注意事项”的条件生成能力。
针对“设备故障点位定位”“维修建议分析”等部分具体细分场景,进行定向训练,对少量关键参数进行定向优化。引入低秩适配技术[11],利用梯度显著性分析,对关键参数空间定位,识别与故障推理最相关的前5%参数矩阵。在保持原矩阵低秩近似的前提下,添加可训练的秩为r =8的低秩适配器,将参数量大规模压缩。
2.4 训练优化关键技术
2.4.1 增量学习与在线更新机制
传统离线训练模式难以适应数据的快速变化。构建云边协同架构,在云端部署完整的大模型用于数据的批量训练和更新,边缘设备部署轻量化模型负责实时数据处理和本地推理[12]。边缘设备将处理后的关键特征数据上传至云端,云端模型根据积累的数据进行周期性再训练,并将优化后的模型参数下发至边缘设备,实现模型的动态更新和性能优化。
增量学习方面,基于数据流划分技术,将新采集的传感器数据、报警日志等按时间顺序划分为多个数据块。利用知识蒸馏方法,将历史训练得到的模型作为教师模型,新数据块训练的模型作为学生模型,通过最小化教师模型与学生模型输出的差异,使新模型在保留历史知识的同时,学习新数据中的特征。例如,当道岔转辙机动作曲线出现新异常时,增量学习机制能快速将其纳入模型知识体系。
在线更新机制则进一步提升模型的实时响应能力。通过设置数据变化监测阈值,当新数据与历史数据的分布差异超过阈值时,触发模型在线微调。结合自适应学习率调整算法,针对新数据的特点动态调整模型参数更新步长,确保模型能够及时捕捉设备运行状态的细微变化。
2.4.2 小样本学习策略
铁路信号系统中,部分罕见故障类型样本数量稀少,严重制约模型对复杂故障场景的泛化能力。采用元学习与数据增强结合的小样本学习策略,突破数据瓶颈[13]。基于历史故障数据与典型故障模式,构建包含多样化小样本任务的元训练集,其中,每个任务对应一种特定故障场景,任务内部数据采用真实数据或严格模拟实际运维场景,包含少量经过专业标注的故障样本与测试样本。通过在元训练集上开展多轮次迭代训练,引导模型自动提取跨故障类型的通用特征表征,逐步形成对不同故障机理的底层认知框架。经过元训练的模型在部署至铁路信号运维现场后,当遭遇新型小样本故障类型时,仅需要少量现场标注样本即可完成参数微调,迅速收敛至最优故障识别状态,有效克服传统方法对大规模标注数据的依赖,显著提升铁路信号设备故障诊断的时效性与精准度。
2.4.3 不确定性量化方法
为提升模型决策的可靠性,引入基于贝叶斯推理的不确定性量化方法。在模型训练过程中,将神经网络参数视为随机变量,通过贝叶斯神经网络框架估计参数的概率分布。对于预测结果,不仅输出故障类型的概率分布,还同步计算两类关键不确定性指标:认知不确定性反映模型对该故障模式的训练经验;偶然不确定性反映数据采集过程中的传感器噪声、电磁干扰等的固有随机性[14]。
3 大模型驱动的铁路信号智能运维典型应用场景
基于本文提出的铁路信号智能运维大模型构建方法,深入探讨大模型驱动下的3个典型应用场景:设备智能诊断,智能问答交互,预防性维护系统,3者共同构建起覆盖故障诊断、知识交互、风险预判的全链条智能运维体系,实现从被动处置到主动预防的运维模式升级。
3.1 设备智能诊断与辅助分析
设备智能诊断系统作为铁路信号智能运维大模型核心应用的“前端感知”,通过实时采集信号设备运行数据与历史知识储备,构建起动态分析基础。该系统实时跟踪电流、电压、温度等物理量,以及信号机状态、道岔动作信息等设备状态数据,同时,整合历史故障数据、维修记录、技术文档等信息,构建丰富的知识储备。当设备异常触发时,该大模型基于训练优化后的故障模式识别能力,结合知识图谱与多源数据交叉验证,精准定位故障点位并输出概率评估。例如在道岔转辙机综合运维平台的应用,当综合运维平台检测到道岔转辙机动作曲线异常时,结合道岔控制电路中的各继电器状态数据、电流电压参数等,精准确定故障点位,同时,输出故障类型的概率分布与不确定性值,若不确定性值超过阈值,自动触发二次诊断流程,综合更多维度数据进行交叉验证,确保诊断结果准确。
3.2 智能问答交互
智能问答助手则充当运维人员与运维平台的“交互中枢”,其依托铁路信号智能运维大模型的自然语言理解与图文解析能力,将设备诊断、知识检索与故障处理流程进行深度融合。运维人员既可通过自然语言查询设备操作规程、故障处理方法,原理图纸识读,也能在设备故障时以问答形式获取分步排查指引。
例如处理信号机灯丝断丝故障,智能问答助手会依据知识库中的故障处理流程和经验,提供包括检查灯丝、更换灯泡、根据图纸检查相关电路连接等具体操作步骤,并根据运维人员的反馈作出实时交互。若处理轨道电路异常,智能助手通过分析机械室内外传感器数据、设备运行状态图像等信息,判断故障发生在机械室内还是机械室外,进一步判断可能发生的故障原因。另外,运维人员上传信号图纸扫描件或设备缺陷图像,智能助手通过光学字符识别(OCR,Optical Character Recognition)技术提取关键信息,结合大模型的图文理解能力,自动匹配可能的故障类型,输出诊断建议与处理流程。
智能问答助手具备自学习能力。问答过程中积累的高频问题与解决方案,同步补充至知识库,持续优化模型的交互精准度,形成与设备诊断场景的知识联动,提升诊断和问答的准确性与可靠性,更好地满足铁路信号运维的复杂需求。
3.3 数据分析与预防性维护系统
数据分析与预防性维护系统作为大模型应用的“战略层”,通过全生命周期数据库与设备健康指标体系,实现从被动维修到主动干预的跨越。
通过整合诊断系统产生的实时故障数据、问答系统积累的运维经验,结合历史运行参数构建预测模型,建立全生命周期数据库,涵盖轨道电路、道岔转辙机等主要信号设备全生命周期的各个阶段,包括设备安装调试数据、日常运行监测数据、定期检修数据等。对这些数据进行统计分析和特征提取,构建设备健康指标体系。当预测结果触发预警阈值时,该系统联动智能问答模块,生成维修指导,并结合设备重要性与维护成本,优化维护计划配置。
在制定维护计划时,该系统综合考虑设备的重要性、运行状态、维护成本及历史维护记录等因素。对于关键设备和高风险故障,优先安排维护任务;对于状态良好的设备,适当延长维护周期,以优化维护资源的配置;同时,该系统还提供维护任务的详细指导,包括维护内容、所需要的工具和备件等信息,确保维护工作的高效执行。
4 结束语
本文围绕铁路信号设备运维智能化升级需求,研究大模型技术在该领域的应用。通过深入剖析传统运维模式的不足,提出了铁路信号智能运维大模型构建方案。设计多源数据治理流程,运用分层训练机制与混合微调策略,结合增量学习、小样本学习等关键技术,解决数据异构和模型动态适应难题。基于该模型,进一步探索了设备智能诊断、智能问答和预防性维护等3个典型应用场景,实现了从故障实时诊断、知识交互到风险预测的全链条运维能力升级,提升了运维效率与决策准确性,为铁路信号系统智能化转型提供了切实可行的技术路径。
展望未来,大模型在铁路信号运维领域的应用仍面临诸多挑战。技术层面,需要进一步平衡模型轻量化与高精度的关系,提升海量数据处理效率;安全层面,铁路信号运维数据涉及关键基础设施信息,亟需完善数据全生命周期的安全防护体系,保障关键设施信息在采集、传输、存储与使用过程中的安全性。随着技术的持续演进,本文提出的构建方案还须深度融合物联网、边缘计算等技术,推动铁路行业向更高水平的数智化发展。
-
表 1 主流模型性能对比
模型特性 BERT GPT DeepSeek ChatGLM 架构类型 双向编码器 单向解码器 编码器-解码器 编码器-解码器 参数规模 110 M~330 M 1.5 B~175 B 7 B~671 B 6 B~130 B 训练数据类型 通用文本 通用文本 代码+文本 多语言文本 领域适配能力 强(双向上下文建模) 中(单向生成) 强(代码逻辑推理) 中(中文优化) 多模态支持 弱(需扩展) 弱(需扩展) 中(代码−文本对齐) 中(插件机制) 计算效率 高(编码器架构) 中(自回归生成) 高(量化支持) 高(量化优化) 工业迁移成本 低(预训练+微调) 中(指令微调) 低(代码领域优势) 中(中文生态) -
[1] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//The 31st International Conference on Neural Information Processing Systems, 4-9 December, 2017, Long Beach, USA. New York: ACM, 2017: 6000-6010.
[2] Rajapaksha P, Farahbakhsh R, Crespi N. BERT, XLNet or RoBERTa: The best transfer learning model to detect clickbaits[J]. IEEE Access, 2021(9): 154704-154716. DOI: 10.1109/ACCESS.2021.3128742
[3] 谈骏杰,许璟琳,欧金武,等. 基于大模型的建筑智慧运维技术探索与应用[C]//第十届全国BIM学术会议论文集, 北京:中国建筑工业出版社,2024:404-408. [4] 许璟琳,彭 阳,欧金武,等. 融合大模型和数字孪生的公共建筑智慧运维系统[J]. 图学学报,2024,45(6):1200-1206. [5] 吴精乙,景 峻,贺熠凡,等. 基于多模态大模型的高速公路场景交通异常事件分析方法[J]. 图学学报,2024,45(6):1266-1276. [6] 张云秋,殷 策.基于大模型的中文电子病历实体自动识别研究[J/OL].数据分析与知识发现,1-18[2025-03-10]. http://kns.cnki.net/kcms/detail/10.1478.g2.20241118.1735.004.html. [7] International Union of Railways. High-speed around the world[M]. Paris: UIC, 2023: 8-30.
[8] 陈建译. 电务大数据智能运维平台研究与应用[J]. 铁道通信信号,2019,55(S1):162-166. [9] 李凌健. 面向铁路智能运维的大模型技术应用研究[J]. 铁道技术标准(中英文),2025,7(1):70-75. [10] 滕 蕾,张卫军,屈 毅. 铁路通信智能运维方案及演进策略研究[J]. 铁道通信信号,2022,58(11):8-11. [11] Li L F, Guo L. Dynamic low-rank adaptation based pruning algorithm for large language models[C]//2024 7th International Conference on Pattern Recognition and Artificial Intelligence (PRAI), 15-17 August, 2024, Hangzhou, China. New York, USA: IEEE, 2024: 1094-1099.
[12] 姜栋瀚,林海涛. 云计算环境下的资源分配关键技术研究综述[J]. 中国电子科学研究院学报,2018,13(3):308-314. DOI: 10.3969/j.issn.1673-5692.2018.03.013 [13] 李 刚,徐长明,龚 翔,等. 基于掩码自编码器的小样本深度学习道岔故障诊断模型[J]. 中国铁道科学,2022,43(6):175-185. DOI: 10.3969/j.issn.1001-4632.2022.06.18 [14] Fleischer S, Hooke M. Aleatoric and epistemic uncertainty quantification in Bayesian dirichlet cost rules of thumb[C]//2023 IEEE Aerospace Conference, 4-11 March, 2023, Big Sky, USA. New York, USA: IEEE, 2023: 1-8.