首页|融合BiLSTM-CBA组合模型的高铁车载设备故障诊断

融合BiLSTM-CBA组合模型的高铁车载设备故障诊断

Fault diagnosis of high-speed railway on-board equipment based on BiLSTM-CBA hybrid model

扫码查看
原文链接
  • 万方数据
  • 维普
为提高高铁车载设备在运营维护过程中数据利用率,以CRH2型与CRH3型动车组列车中最具代表性的CTCS3-300T型车载设备的故障文本数据为例,提出一种将双向长短时记忆网络(BiLSTM)与关联规则分类器(CBA)技术相结合的车载设备故障诊断模型.首先,该模型通过Word2vec工具对车载设备故障文本进行词向量训练;其次,针对故障数据分布不平衡的问题,通过合成少数类过采样技术(SMOTE)算法,自动生成小类别文本向量数据;然后,利用BiLSTM获取故障文本特征;最后,采用CBA算法实现车载设备故障诊断,通过试验分析某铁路局近5年的车载故障文本数据.结果表明:该模型使故障诊断的精确率和召回率分别达到95.66％和96.29％,相较于未采用SMOTE算法的模型,其召回率提升11.77％;该模型能够保证整体分类准确率,同时,也具备较好的小类别分类性能.

林海香、卢冉、陆人杰、李新琴、赵正祥、白万胜

展开 >

兰州交通大学 自动化与电气工程学院,甘肃兰州730070

卡斯柯信号有限公司,上海200071

中国铁道科学研究院集团有限公司 电子计算技术研究所,北京100081

双向长短时记忆网络(BiLSTM) 关联规则分类器(CBA) 车载设备 故障诊断 合成少数类过采样技术(SMOTE)

2021YJ184

2022

10.16265/j.cnki.issn1003-3033.2022.06.2747

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(6)
  • 3
  • 10