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。

基于大数据的铁路信号系统智能运维方案研究

目前国内铁路信号专业运营维护主要通过监测系统与人工维护相结合的方式保障设备的正常、稳定运行,随着我国信息科技、互联网、云计算、物联网、智能终端等技术的不断发展与应用,智能监测技术已逐渐应用到信号系统维护工作中。为解决监测系统无法直接处理多源异构数据并进行智能分析与决策的问题,文章结合数据接入、数据融合、数据可视化、故障预测与健康管理等关键技术,分析并设计了铁路信号智能运维系统结构,利用铁路信号系统日常运营所产生的大量维护数据实现设备的故障定位、智能维护等功能,为铁路信号运维水平的提高及电务运维模式的转变提供参考。