基于深度学习集成的高速铁路信号设备故障诊断方法

基于高速铁路设备故障文本数据,提出高速铁路信号设备故障诊断方法。根据信号道岔设备故障文本数据,结合专家经验,构建两级道岔故障诊断类别;针对信号道岔设备故障样本不均衡性,采用ADASYN样本合成方法合成故障少类别样本;故障诊断模型中采用TF-IDF实现文本特征提取,应用深度学习BiGRU和BiLSTM对文本进行分类,设计组合权重计算方法将深度学习学习结果进行集成。采用高速铁路2009—2018年产生的信号道岔设备故障数据进行试验验证,试验证明深度学习集成方法能够进一步提升信号设备故障诊断分类性能。

基于文本挖掘的高速铁路动车组故障多级分类研究

针对高速铁路信号设备故障发生后记录的文本数据,提出基于文本挖掘方式的高速铁路信号设备故障多级分类模型研究;提出TF-IDF词汇权重与词汇字典结合的特征表示方法实现信号设备故障文本数据的特征提取;多级分类模型中,基于Stacking集成学习思想设计单层分类模型,将循环神经网络BiGRU和BiLSTM作为初级学习器,设计权重组合计算方法作为次级学习器,将多级分类任务分解为各层单分类任务,并采用K折交叉验证训练Stacking模型;采用高速铁路自开通至十年的信号转辙机故障数据,通过对故障原因文本数据的分析,实现故障部位和故障原因的二级分类,经过K=5次训练,BiGRU较BiLSTM各评价指标都较高,经实验BiGRU分配权重为0.7,BiLSTM权重为0.3,组合加权对两个网络的输出计算,准确率提高为0.881 4,召回率提高为0.864 2;实验表明多级分类模型能够有效提升信号设备故障多级分类任务的分类评价指标,并能够保证分类结果隶属关系的正确性。