基于OC-SVM与DNN相结合的ZPW-2000R轨道电路故障诊断研究
谢本凯1
蔡水涌1
黄春雷2
禹建丽1
陈广智3
王国保1
1.郑州航空工业管理学院 管理工程学院,河南 郑州 4500462.黑龙江瑞兴科技股份有限公司 客户技术服务中心,黑龙江 哈尔滨 1500303.郑州航空工业管理学院 智能工程学院,河南 郑州 450046
摘要：针对轨道电路故障诊断准确率低且高质量故障数据难以收集等问题,提出一种基于单分类支持向量机(OC-SVM)与深度神经网络(DNN)相结合的故障诊断方法.该方法使用OC-SVM模型对数据进行单分类识别,将正样本数据输入到DNN模型进行训练和预测,为负样本数据添加标签并收集.利用ZPW-2000R轨道电路信号数据进行大量实验,结果表明OC-SVM模型能精确地识别出正负样本数据,DNN模型能准确高效地诊断出15种数据类型,且准确率高达99%.与粒子群算法优化支持向量机、卷积神经网络、堆叠自编码器3种故障诊断方法相比,该组合方法的准确率更高,诊断效果更稳定.
关键词：故障诊断深度神经网络单分类支持向量机ZPW-2000R轨道电路
分类号：U284.92(铁路通信、信号)
资助基金：河南省软科学研究计划资助项目(212400410099)河南省高等教育教学改革研究与实践项目(2021SJGLX470)河南省自然科学基金资助项目(222300410367)河南省高等学校重点科研资助项目(22B520041)
论文发表日期：2023-08-28
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：10( 154-163 )
英文信息