首页|面向海量不平衡数据的轨道电路故障诊断方法

面向海量不平衡数据的轨道电路故障诊断方法

扫码查看
原文链接
  • 万方数据
  • 维普
为解决轨道电路故障诊断任务中监测数据类别不平衡导致诊断模型决策边界产生偏移,以及数据海量导致训练速度慢的问题,提出数据重采样与集成学习算法相结合的轨道电路故障诊断方法.首先,通过特征合成和数据重采样处理不平衡数据,重采样包括随机降采样和合成少数类过采样技术(SMOTE);然后,利用训练高效的轻量梯度提升机(LightGBM)算法构建面向海量监测数据的故障诊断模块,并设计训练及诊断流程,以网格搜索和交叉验证方法调整关键参数;最后,引入不易受数据不平衡影响的Macro-F1值作为故障诊断模型评价指标.结果表明:特征合成、数据重采样对不平衡数据下的各故障诊断模型的综合表现均有不同程度的提升,LightGBM相较于其他算法在综合表现和训练时间上都是最佳,可保障准确性和面对海量数据时的快速性.
Track circuit fault diagnosis method for massive imbalanced data

邢玉龙、王剑、上官伟、彭聪、朱林富

展开 >

北京交通大学电子信息工程学院,北京100044

北京交通大学轨道交通控制与安全国家重点实验室,北京100044

中国铁道科学研究院集团有限公司标准计量研究所,北京100081

中铁检验认证中心有限公司,北京100081

展开 >

不平衡数据 轨道电路 故障诊断 集成学习 轻量梯度提升机(LightGBM)

北京市自然科学基金

L191013

2022

10.16265/j.cnki.issn1003-3033.2022.05.2389

中国安全科学学报
中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心
影响因子：1.548
ISSN：1003-3033
年,卷(期)：2022.32(5)
  • 3
  • 4