基于LSTM-BP神经网络的列控车载设备故障诊断方法

摘要

列车运行控制系统是保障列车高速、安全运行的核心，对作为其关键组成部分的车载设备进行快速有效地故障诊断具有重要意义。目前车载设备的故障诊断主要依靠人工经验来进行，人工智能故障诊断方法研究成果较少，且集中于系统级故障分析，对基于设备运行数据的研究很少。本文针对车载设备日志数据，对其数据特征进行深入分析，建立LSTM-BP优化网络模型，构建一个可以灵活获取和运用关键故障信息的智能诊断系统，并对其性能进行仿真验证。
　　本文的主要研究内容包括:
　　(1)论文以北京局动车段300T型车载设备故障数据为研究对象，首先通过文本数据挖掘的手段，构建车载设备运行信息语料库。针对独热表示(one-hot representatoin)易造成维度灾难、语义表达不足的问题，采用基于深度学习的语言模型实现车载设备运行关键信息的向量表达，以词向量的形式表达语义信息，为后续模型提供准确有效的数据支撑。
　　(2)针对车载运行信息中多故障原因导致同一故障现象、同一故障原因对应不同故障现象的特性，采用基于BP神经网络模型的车载设备故障诊断方法，并用共轭梯度法、LM算法以及贝叶斯正则化三种算法从权值优化和结构调整两方面分别对神经网络模型进行优化，改善模型在训练过程中易陷入局部最小和对未知样本分类能力不足的境况，比较三种算法优化后的模型的泛化能力，寻找适合本文研究对象的最佳改进算法。
　　(3)对于BP网络对关机误报和引发故障分类不准确的问题，本文提出长短时记忆网络（Long Short Term Memory Network，LSTM）和BP神经网络的级联模型，充分发挥LSTM算法的记忆特性，结合车载设备故障特征信息的长时记忆，判断当前样本信息类型。级联的网络结构可以进一步提高车载设备故障分类能力。
　　本文通过北京动车段2016年CTCS-300T的3384个车载日志文件对论文中的模型进行验证，实验结果表明发现，贝叶斯正则化算法改进后的模型性能稳定，泛化能力高，相较于其他两种算法有明显的优越性。优化后的模型相较原始的BP网络模型对未知样本的分类能力从48.76％提高到了85.06％。论文提出的LSTM-BP网络级联模型对于关机误报和引发故障问题具有优秀的分辨能力，对未知样本的分类准确率为95.13％，满足现场需求，验证了本文方案的可行性。

目录

声明

致谢

摘要

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 车载设备故障诊断研究现状

1．2．2 深度学习研究现状

1．2．3 基于深度学习的故障诊断研究现状

1．3 车载设备故障诊断研究思路

1．4 论文的主要工作和组织架构

2 车载设备故障数据及其特征表示

2．1 车载设备结构及其功能概述

2．2 车载设备故障数据分析

2．2．1 车载设备故障分类总结

2．2．2 故障数据分析

2．3 基于词向量的特征表示方法

2．3．1 文本信息的向量表示方法

2．3．2 300T车载设备运行信息语料库

2．3．3 Word2vec

2．3．4 基于Skip-gram模型的词向量的实现

2．4 本章小结

3 基于神经网络的车载设备故障诊断模型

3．1 BP神经网络故障诊断方法

3．1．1 BP神经网络算法原理

3．1．2 BP神经网络模型建立

3．2 基于BP神经网络优化算法的故障诊断模型

3．2．1 共轭梯度算法优化模型

3．2．2 LM算法优化模型

3．2．3 贝叶斯正则化算法优化模型

3．3 基于LSTM算法的车载设备故障诊断模型

3．3．1 循环神经网络原理

3．3．2 LSTM网络结构和算法分析

3．3．3 LSTM-BP网络模型

3．4 本章小结

4 仿真验证及结果分析

4．1 数据预处理

4．1．1 样本集说明

4．1．2 模型数据及参数处理

4．2 BP网络模型仿真结果

4．2．1 三种优化模型性能对比

4．2．2 原始BP网络模型和优化后模型分类性能对比

4．3 LSTM-BP网络模型仿真结果

4．3．1 模型性能验证

4．3．2 LSTM-BP网络模型结果分析

4．4 本章小结

5．1 论文总结

5．2 研究展望

参考文献

图索引

表索引

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集