基于BERT+CNN_BiLSTM的列控车载设备故障诊断

列控车载设备作为列车运行控制系统核心设备,在高速列车运行过程中发挥着重要作用。目前,其故障诊断仅依赖于现场作业人员经验,诊断效率相对较低。为了实现列控车载设备故障自动诊断并提高诊断效率,提出了BERT+CNN_BiLSTM故障诊断模型。首先,使用来自变换器的双向编码器表征量(Bidirectional encoder representations from transformers,BERT)模型将应用事件日志(Application event log,AElog)转换为计算机能够识别的可以挖掘语义信息的文本向量表示。其次,分别利用卷积神经网络(Convolutional neural network,CNN)和双向长短时记忆网络(Bidirectional long short-term memory,BiLSTM)提取故障特征并进行组合,从而增强空间和时序能力。最后,利用Softmax实现列控车载设备的故障分类与诊断。实验中,选取一列实际运行的列车为研究对象,以运行过程中产生的AElog日志作为实验数据来验证BERT+CNN_BiLSTM模型的性能。与传统机器学习算法、BERT+BiLSTM模型和BERT+CNN模型相比,BERT+CNN_BiLSTM模型的准确率、召回率和F1分别为92.27%、91.03%和91.64%,表明该模型在高速列车控制系统故障诊断中性能优良。

基于Doc2vec-LightGBM的CBTC车载信号设备故障分类诊断方法

车载信号设备是城市轨道交通信号系统的重要组成部分,其运营过程中会产生海量离散化、片段化的日志文本数据。目前,CBTC车载设备故障记录文本仍存在语义不明确、词语冗余的问题,从而造成故障致因溯源难,针对此,提出一种基于Doc2vec-LightGBM的CBTC车载设备故障自动分类诊断方法。首先对故障文本使用Jieba完成文本分词,依据TF-IDF实现分词文本数据的特征提取,并采用Doc2vec训练文本分词向量;其次针对数据不均衡的问题,采用Borderline-SMOTE算法进行少数类文本向量数据的补全泛化;最后,通过训练轻量梯度提升机LightGBM分类器完成故障文本自动分类。采用某信号厂商所记录的1 133条故障文本数据进行分类实验分析,并与支持向量机(SVM)方法对比。实验结果表明,所提方法在分类精确率、召回率上分别为98.2%、97.5%,证明了该故障文本自动分类方法的有效性和优越性。

基于GA改进ANN算法的车载网控系统故障诊断

车载网控系统是保证运行安全的一类重要控制设备,也是确保系统稳定运行的核心部件。为了提高车载网控系统故障诊断效率,通过遗传算法(GA)具有的全局寻优功能来实现对神经网络初始阈值与权值的优化,把寻优结果代到神经网络内完成训练过程;使ANN泛化方法具有的映射性能获得充分利用可以防止产生局部极小值情况,获得更高的分类精度;利用实例分析方式测试车载故障诊断过程的有效性。研究结果表明:采用GA改进ANN算法可以有效优化平均误差及数据正确率,有效降低迭代次数,表明可以通过GA改进ANN方法来提升神经网络运算性能。经过遗传算法优化处理的ANN在训练过程中可以获得比初始ANN更快时收敛速率。

基于CNN-ADABOOST的车载设备故障诊断

列控车载设备故障量大,其诊断依赖于专家经验且故障信息数据分布不平衡。以CTCS3-300T型列控车载设备中CTCS-3控制单元(ATPCU)记录的故障词条为样本,提出一种卷积神经网络(convolutional neural networks,CNN)与自适应增强(adaptive boosting,Adaboost)算法结合的车载设备故障诊断方法。考虑到列控车载日志为半结构化文本,采用skip-gram模型对故障词条进行处理生成词向量,通过CNN进行特征提取,将CNN作为基分类器,通过Adaboost更新样本权重与基分类器权重生成强分类器对分布不平衡的故障数据进行分类,实现列控车载设备的故障诊断。实验数据为某铁路局电务段原始车载日志,研究结果表明,基分类器迭代步数与数目是影响模型性能的关键因素,通过确定基分类器数目与单个基分类器训练步数,可显著提升模型对于不平衡数据样本的分类能力。研究成果为车载设备故障诊断提供了一种智能且有效的方法。

速腾轿车车载电网控制单元故障诊断与排除

一辆一汽大众速腾轿车,由于车载电网中的15号继电器工作不良,引起发动机不能正常起动。文中在分析该车车载电网控制单元的功能和工作原理的基础上,通过对车载电网的检查,总结了该故障分析、诊断、修复、验证过程,分析了故障原因。

基于DBN-HD的车载设备故障诊断

针对列车超速防护(automatic train protection,简称ATP)系统车载设备故障诊断主要依靠人工经验以及效率低的问题,提出了深度置信网络-汉明距离(deep belief network-Hamming distance,简称DBN-HD)车载故障诊断模型。首先,利用DBN无监督地提取车载故障数据的抽象特征,获得原始数据的低维表示形式,将其输入附加在顶层的分类器输出诊断结果;其次,比较实际输出与期望输出之间的HD,将HD作为误差采用反向传播(back propagation,简称BP)算法自顶向下地微调DBN权值,完成模型训练;最后,利用某局集团公司电务段车载故障数据分析和验证模型参数对模型性能的影响。研究结果表明,与支持向量机(support vector machine,简称SVM)、反向传播神经网络(back propagation neural network,简称BPNN)和DBN进行对比,本研究提出的DBN-HD模型具有更高的正确率和运行效率,适用于实际车载设备故障诊断。

基于贝叶斯网络的测井车载数据中心设备故障诊断方法研究

针对测井车载数据中心设备提出一种基于贝叶斯网络(BN)的故障诊断方法,并建立了故障诊断BN模型,实现了测井车载数据中心设备的智能化诊断。在建立BN模型过程中,采用基于粗糙集的知识约简方法对专家提出的故障节点进行简化,利用专家知识初步构建BN结构,使用K2学习算法对BN进行优化;同时结合专家经验知识,用EM算法对BN进行参数学习,得到测井车载数据中心设备故障诊断BN模型。运用BN模型进行故障案例推理,基于历史数据对BN模型进行验证,结果表明该模型诊断准确率较高,能够为测井车载数据中心设备故障的快速定位和精确诊断提供依据。

主体化机车信号车载设备的故障诊断和处理

介绍了主体化机车信号车载设备的组成以及常见的故障,进而对其故障的判断与定位、故障的处理流程进行了分析,希望为提高机车信号设备的运维水平、确保列车安全运行提供一定的借鉴。

基于贝叶斯网络的列控车载设备故障诊断方法

列控车载设备故障排查与维护多依赖于人员经验,存在一定的片面性且效率较低。提出一种基于贝叶斯网络的列控车载设备故障智能诊断方法,基于历史故障数据得到故障征兆,利用粗糙集理论对故障征兆进行属性约简,降低训练模型的复杂度;将专家知识与故障数据训练相结合,改进贝叶斯网络模型,并将故障征兆关联关系融入模型中。以武广线列控故障数据为例,验证该模型的诊断效果。该方法对提升列控系统故障诊断的智能化水平具有借鉴意义。

基于贝叶斯网络的高铁信号系统车载设备故障诊断方法的研究

考虑到高铁车载设备故障诊断的不确定性和复杂性,本文提出了基于贝叶斯网络的车载设备故障诊断系统。在建立贝叶斯网络结构的过程中,基于充分利用现场数据与先验知识的思想,本文通过融合不同方法(K2算法,MCMC算法和专家知识)得到最优的贝叶斯网络结构。最后,本文进行了实例分析与模型验证,并与KNN算法、BP神经网络算法进行比较,测试结果表明该模型的正确性和有效性。文中的验证数据来自武广高铁车载设备故障追踪表。

基于文本挖掘的高铁信号系统车载设备故障诊断

本文以故障文本信息为依据,提出基于文本挖掘的高铁信号系统车载设备的故障诊断方法。针对故障追踪表记录的不规范性和随意性,采用主题模型对故障追踪表进行分析和特征提取;在此基础上,考虑到高铁信号系统车载设备故障诊断的不确定性,采用贝叶斯网络作为故障分类的方法。在贝叶斯网络结构的确定中,根据车载设备的特点与领域专家知识,提出适用于车载设备的贝叶斯结构学习算法HDBN_SL。以武广线的现场数据为依据,进行实验分析,测试结果表明本文特征提取以及故障诊断方法具有较好的诊断准确性。

车载网络信息传输系统故障诊断与排除

介绍了车载网络系统的特点和故障机理,并对常见车系车载网络系统故障进行分析,得出造成车载网络信息传输系统故障的原因有3种:汽车电源系统引起的故障、车载网络信息传输系统的链路故障及车载网络信息传输系统的节点故障。结合实例给出了各种故障的具体诊断与排除方法。

基于车载总线的PC式汽车故障诊断系统

提出了基于车载总线的PC式汽车故障诊断系统的设计思路,依据ISO/OSI网络模型,将整个系统划分为应用层、协议转换层、物理层,以及应用协议接口和链路物理接口的模块化&层次化体系结构。整个系统由PC诊断应用软件、VCI盒和车载网络组成,着重阐述了系统的软硬件设计方案。通过某公司全车系实车测试表明,该系统在满足基本的故障诊断功能基础上,兼具数据处理、存储和图形显示功能,具有系统升级及远程诊断扩展的优势。

基于Labeled-LDA的列控车载设备故障特征提取与诊断方法研究

准确地诊断出列控车载设备的故障类型是保障列车安全运行的基础。针对车载设备故障诊断问题,根据北京动车段300T车载日志数据的特点,基于数据挖掘方法并结合现场技术人员的经验知识,构建车载设备的故障特征词库;在此基础上,改进了Labeled-LDA(Latent Dirichlet Allocation)模型用于提取日志数据的语义特征。采用基于粒子群优化的支持向量机算法PSO-SVM对日志文本的故障进行分类,以降低故障样本数据分布不均衡对分类精度的影响,并与传统的支持向量机算法SVM,K最近邻算法KNN进行对比分析。实验结果表明,KNN、SVM、PSO-SVM三种算法的故障文本数据一级故障诊断准确率依次为79.4%,81.8%和90.9%,二级故障诊断准确率依次为74.6%,78.1%和81.3%,验证了PSO-SVM算法在车载设备故障诊断方面的有效性。该研究成果对列控车载设备日常维护具有一定的指导意义。

车载牵引变流系统故障诊断与容错控制综述

车载牵引变流系统作为高速列车的动力源,其安全可靠性对保障高速列车安全、高效、可靠的运行和维护至关重要。在非线性、强耦合和多工况等复杂条件和恶劣环境中长期运行,牵引变流系统中的各类部件都会出现不同程度的劣化失效,引发各类故障,给高速列车的安全运行带来极大挑战。为此,针对高速列车车载牵引变流系统功率器件、牵引控制单元、传感器和中间直流环节等故障率高的部件进行了故障诊断与容错控制方法的调研和总结,对比分析不同方法的研究思路和适用条件。最后,讨论车载牵引变流系统故障诊断与容错控制研究中亟待解决的问题,并对未来的研究做出展望。

基于LSTM-BP级联网络的列控车载设备故障诊断

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.

基于RS-ICS-BP的列控车载BTM故障诊断

针对列车运行控制车载设备结构复杂,信息量大且故障分析多依赖于专家经验完成等问题,以CTCS3-300T型列控车载设备中应答器信息接收模块BTM故障文本数据为样本,提出一种基于粗糙集(Rough Set,RS)和改进布谷鸟搜索算法(Improved Cuckoo Search,ICS)优化神经网络(Back-Propagation,BP)的列控车载BTM智能故障诊断方法(RS-ICS-BP).首先,利用粗糙集理论处理不确定数据的优势对故障数据进行处理,消除冗余条件信息;再利用ICS算法确定适合的BP神经网络初始权值和阈值.以CTCS3-300T型车载设备BTM单元的93组数据为样本进行仿真实验,结果表明:RS-ICS-BP通过加入属性约简提高分类器的分类性能,通过ICS算法优化BP神经网络,避免了局部极小问题,且迭代步数少,平均误差得以降低,分类精度有所提升.

车载状态监测与故障诊断专家系统设计

综合应用计算机软硬件技术 ,实现对机车主要质量状态参数的实时采集、显示和记录 ,并进行实时机车故障诊断、语音定点定性报警提示 ,通过转储分析 ,获取机车性能变化趋势和故障先兆信息 ,及时发现故障隐患 ,提高机车质量 ,确保行车安全。

基于深度置信网络的车载电源故障诊断方法

针对车载电源故障机理复杂且知识经验不足,传统浅层神经网络诊断效果难能满意的问题,研究了基于深度置信网络的车载电源故障诊断方法.该方法借助于30 kW车载电源仿真系统采集的几种常见故障数据,通过对深度置信网络进行预训练与反向微调,构建了车载电源相应故障的深度诊断神经网络,从而实现了车载电源几类常见故障的有效智能诊断.该方法的优势在于能够将车载电源的故障特征提取与故障诊断有机融合,摆脱了传统浅层故障诊断方法对大量信号处理技术与诊断经验的依赖,仿真试验也进一步昭示出文中方法在车载电源故障诊断中的有效性和适宜性.

野战X线诊断车车载卫生装备故障检修

0引言 XCY2002—1／200型野战X线诊断车是编配卫勤机构做机动X线诊断检查使用的大型设备．其配备的车载卫生装备有S2001型车载X线机、S2001-WZ6．0车载X线影像电视成像、数字影像处理系统和WYS2002—96／22型野战洗片机。野战X线诊断车具有较好的机动性和灵活性．常被卫勤机构用于抗震救灾应急保障任务和野外驻训的机动卫勤保障：该车搭载的X线机，