科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对磁浮列车悬浮系统的在线异常检测问题，提出了一种基于长短时记忆(LSTM)神经网络与多元高斯分布(MGD)的检测方法；建立学习悬浮系统正常运行的LSTM时间序列预测模型，得到了正常情况下的预测误差；基于间隙、电流和加速度的预测误差，建立了反映正常情况下预测误差分布特性的MGD模型；以对数概率密度作为检测指标，设计了在线检测逻辑，并以F1分数作为检测效果衡量指标设置阈值；为了验证所提方法的有效性，利用磁浮列车运营线数据模拟在线数据，采用所提方法对过轨道接缝异常、砸轨异常和加速度信号异常进行了检测与分析。研究结果表明：在检测以上3类异常时，所提方法的F1分数分别达到了100.00%、97.85%和83.33%,所提方法的检测指标在正常和异常情况下对比明显，可以反映出悬浮系统产生异常到调整好的具体时间段，并且算法平均耗时约2 s;相较于基于超球体高斯分布方法，所提方法检测率平均提高了1.9%,其中对于持续时间短的过轨道接缝异常的检测率提高了9.4%。可见，所提方法可以对悬浮系统状态数据进行异常在线检测。
- 单位
