科研之友
微信
新浪微博
Facebook
分享链接
摘要
列控车载设备故障量大，其诊断依赖于专家经验且故障信息数据分布不平衡。以CTCS3-300T型列控车载设备中CTCS-3控制单元（ATPCU）记录的故障词条为样本，提出一种卷积神经网络（convolutional neural networks,CNN）与自适应增强（adaptive boosting,Adaboost）算法结合的车载设备故障诊断方法。考虑到列控车载日志为半结构化文本，采用skip-gram模型对故障词条进行处理生成词向量，通过CNN进行特征提取，将CNN作为基分类器，通过Adaboost更新样本权重与基分类器权重生成强分类器对分布不平衡的故障数据进行分类，实现列控车载设备的故障诊断。实验数据为某铁路局电务段原始车载日志，研究结果表明，基分类器迭代步数与数目是影响模型性能的关键因素，通过确定基分类器数目与单个基分类器训练步数，可显著提升模型对于不平衡数据样本的分类能力。研究成果为车载设备故障诊断提供了一种智能且有效的方法。
- 单位
