基于CNN和PSO-SVM组合模型的列控车载设备故障诊断（英文）

作者：陆人杰^*; 林海香; 许丽; 卢冉; 赵正祥; 白万胜

来源：Journal of Measurement Science and Instrumentation, 2022, 13(04): 430-438.

• 车载设备
• 故障诊断
• 卷积神经网络(CNN)
• 不平衡文本数据
• 粒子群优化-支持向量机(PSO-SVM)

快速准确地定位列控车载设备故障是保证列车可靠运行的重要因素。本文以车载设备故障追踪表中的文本数据为样本，设计基于卷积神经网络（CNN）与粒子群优化-支持向量机（PSO-SVM）相结合的车载设备故障诊断模型。基于故障文本数据具有高维度、高稀疏的特点，利用卷积神经网络对其实现特征提取。为了降低故障样本数据类别不平衡对分类精度的影响，采用粒子群优化的支持向量机算法对不均衡文本数据进行处理。用PSO-SVM替代CNN全连接分类部分，并对所提取特征进行精确分类，实现车载设备故障智能诊断。依据某铁路局所记录的车载设备故障文本数据进行实验分析并与其它方法对比，实验结果表明，该模型可使各评价指标得到明显提升，可以作为车载设备故障诊断的有效模型。

• 单位
  兰州交通大学