基于LSTM-BP神經(jīng)網(wǎng)絡(luò)的列控車載設(shè)備故障診斷方法.pdf

1、列車運行控制系統(tǒng)是保障列車高速、安全運行的核心，對作為其關(guān)鍵組成部分的車載設(shè)備進行快速有效地故障診斷具有重要意義。目前車載設(shè)備的故障診斷主要依靠人工經(jīng)驗來進行，人工智能故障診斷方法研究成果較少，且集中于系統(tǒng)級故障分析，對基于設(shè)備運行數(shù)據(jù)的研究很少。本文針對車載設(shè)備日志數(shù)據(jù)，對其數(shù)據(jù)特征進行深入分析，建立LSTM-BP優(yōu)化網(wǎng)絡(luò)模型，構(gòu)建一個可以靈活獲取和運用關(guān)鍵故障信息的智能診斷系統(tǒng)，并對其性能進行仿真驗證。
　　本文的主要研究內(nèi)容

2、包括:
　　(1)論文以北京局動車段300T型車載設(shè)備故障數(shù)據(jù)為研究對象，首先通過文本數(shù)據(jù)挖掘的手段，構(gòu)建車載設(shè)備運行信息語料庫。針對獨熱表示(one-hot representatoin)易造成維度災難、語義表達不足的問題，采用基于深度學習的語言模型實現(xiàn)車載設(shè)備運行關(guān)鍵信息的向量表達，以詞向量的形式表達語義信息，為后續(xù)模型提供準確有效的數(shù)據(jù)支撐。
　　(2)針對車載運行信息中多故障原因?qū)е峦还收犀F(xiàn)象、同一故障原因?qū)煌?/p>

3、故障現(xiàn)象的特性，采用基于BP神經(jīng)網(wǎng)絡(luò)模型的車載設(shè)備故障診斷方法，并用共軛梯度法、LM算法以及貝葉斯正則化三種算法從權(quán)值優(yōu)化和結(jié)構(gòu)調(diào)整兩方面分別對神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化，改善模型在訓練過程中易陷入局部最小和對未知樣本分類能力不足的境況，比較三種算法優(yōu)化后的模型的泛化能力，尋找適合本文研究對象的最佳改進算法。
　　(3)對于BP網(wǎng)絡(luò)對關(guān)機誤報和引發(fā)故障分類不準確的問題，本文提出長短時記憶網(wǎng)絡(luò)（Long Short Term Memory

4、 Network，LSTM）和BP神經(jīng)網(wǎng)絡(luò)的級聯(lián)模型，充分發(fā)揮LSTM算法的記憶特性，結(jié)合車載設(shè)備故障特征信息的長時記憶，判斷當前樣本信息類型。級聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)可以進一步提高車載設(shè)備故障分類能力。
　　本文通過北京動車段2016年CTCS-300T的3384個車載日志文件對論文中的模型進行驗證，實驗結(jié)果表明發(fā)現(xiàn)，貝葉斯正則化算法改進后的模型性能穩(wěn)定，泛化能力高，相較于其他兩種算法有明顯的優(yōu)越性。優(yōu)化后的模型相較原始的BP網(wǎng)絡(luò)模型對未