基于Labeled-LDA的列控车载设备故障特征提取与诊断方法研究

摘要：

准确地诊断出列控车载设备的故障类型是保障列车安全运行的基础.针对车载设备故障诊断问题,根据北京动车段300 T车载日志数据的特点,基于数据挖掘方法并结合现场技术人员的经验知识,构建车载设备的故障特征词库;在此基础上,改进了Labeled-LDA(Latent Dirichlet Allocation)模型用于提取日志数据的语义特征.采用基于粒子群优化的支持向量机算法PSO-SVM对日志文本的故障进行分类,以降低故障样本数据分布不均衡对分类精度的影响,并与传统的支持向量机算法SVM,K最近邻算法KNN进行对比分析.实验结果表明,KNN、SVM、PSO-SVM三种算法的故障文本数据一级故障诊断准确率依次为79.4％,81.8％ 和90.9％,二级故障诊断准确率依次为74.6％,78.1％ 和81.3％,验证了PSO-SVM算法在车载设备故障诊断方面的有效性.该研究成果对列控车载设备日常维护具有一定的指导意义.

关键词：车载设备、Labeled-LDA、粒子群优化算法、支持向量机、故障诊断

所属期刊栏目：41

分类号：U284.48(铁路通信、信号)

资助基金：国家重点研发计划2018YFB1600604;国家自然科学基金61490705 ,61773049;中国民用航空局重大专项201501

在线出版日期：2019-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：56-66