中国安全科学学报

作者：林海香, 卢冉, 陆人杰, 李新琴, 赵正祥, 白万胜

单位：1 兰州交通大学 自动化与电气工程学院,甘肃 兰州 730070；2 卡斯柯信号有限公司,上海 200071；3 中国铁道科学研究院集团有限公司 电子计算技术研究所,北京 100081

关键词：双向长短时记忆网络(BiLSTM),关联规则分类器(CBA),车载设备,故障诊断,合成少数类过采样技术(SMOTE)

基金：中国铁道科学研究院集团有限公司科研项目(2021YJ184)

为提高高铁车载设备在运营维护过程中数据利用率,以CRH2型与CRH3型动车组列车中最具代表性的CTCS3-300T型车载设备的故障文本数据为例,提出一种将双向长短时记忆网络(BiLSTM)与关联规则分类器(CBA)技术相结合的车载设备故障诊断模型。首先,该模型通过Word2vec工具对车载设备故障文本进行词向量训练;其次,针对故障数据分布不平衡的问题,通过合成少数类过采样技术(SMOTE)算法,自动生成小类别文本向量数据;然后,利用BiLSTM获取故障文本特征;最后,采用CBA算法实现车载设备故障诊断,通过试验分析某铁路局近5年的车载故障文本数据。结果表明:该模型使故障诊断的精确率和召回率分别达到95.66%和96.29%,相较于未采用SMOTE算法的模型,其召回率提升11.77%;该模型能够保证整体分类准确率,同时,也具备较好的小类别分类性能。

来源：2022年第6期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2022年第6期