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(yùn)行控制系統(tǒng)是保障列車高速、安全運(yùn)行的核心，對作為其關(guān)鍵組成部分的車載設(shè)備進(jìn)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(jìn)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(yùn)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(jìn)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(yùn)用關(guān)鍵故障信息的智能診斷系統(tǒng)，并對其性能進(jìn)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(yùn)行信息語料庫。針對獨(dú)熱表示(one-hot representatoin)易造成維度災(zāi)難、語義表達(dá)不足的問題，采用基于深度學(xué)習(xí)的語言模型實現(xiàn)車載設(shè)備運(yùn)行關(guān)鍵信息的向量表達(dá)，以詞向量的形式表達(dá)語義信息，為后續(xù)模型提供準(zhǔn)確有效的數(shù)據(jù)支撐。
　　(2)針對車載運(yùn)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)?yīng)不同

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(jìn)行優(yōu)化，改善模型在訓(xùn)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(jìn)算法。
　　(3)對于BP網(wǎng)絡(luò)對關(guān)機(jī)誤報和引發(fā)故障分類不準(zhǔn)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(dāng)前樣本信息類型。級聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)可以進(jìn)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(jìn)行驗證，實驗結(jié)果表明發(fā)現(xiàn)，貝葉斯正則化算法改進(jìn)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