基于LSTM-BP级联网络的列控车载设备故障诊断
上官伟1
孟月月2
杨嘉明2
蔡伯根3
1.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;北京交通大学北京市电磁兼容与卫星导航工程技术研究中心,北京1000442.北京交通大学电子信息工程学院,北京,1000443.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
摘要：列控车载设备是保障高速列车行车安全、提高运输效率的核心组成部分,快速有效地诊断其故障类型具有重要意义.针对300T型列控车载设备故障文本数据的错综性和时序性,提出一种基于LSTM-BP级联网络模型的车载设备智能故障诊断方法.首先,采用贝叶斯正则化(Bayesian Regularization,BR)算法优化BP神经网络提高模型的泛化能力;其次,利用长短时记忆网络(Long Short Term Memory Network,LSTM)的记忆特性,充分学习具有时序性的故障特征信息,解决BP神经网络模型难以准确诊断关机误报和引发故障等问题;最后,利用实际数据对模型进行多次试验分析,BR优化的神经网络模型分类准确率为85.06％;而LSTM-BP级联网络模型分类准确率达到95.10％,能够很好地解决对关机误报和引发故障诊断不准确的问题,验证了本文所提出的智能故障诊断方法的有效性.
关键词：交通信息工程及控制故障诊断BP神经网络长短时记忆网络列控车载设备
分类号：U284.48(铁路通信、信号)
资助基金：国家自然科学基金(61490705)国家自然科学基金(61773049)
论文发表日期：2019-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 54-62 )
英文信息