10.3969/j.issn.1001-8360.2020.06.011
基于深度学习的无绝缘轨道电路故障诊断研究
针对无绝缘轨道电路故障的复杂性及随机性,提出一种基于深度学习的故障诊断方法.根据无绝缘轨道电路的结构,选取12个电压电流监测量作为故障数据特征集.运用深度信念网络的无监督学习对故障数据进行训练,得到最优参数值并提取出故障数据高层的分布式特征.选择BPNN作为分类器,以无监督学习输出的参数作为BPNN的初始值,完成反向调优,实现轨道电路的15种故障分类.利用ZPW-2000A无绝缘轨道电路数据对模型进行了多次实验分析,仿真结果表明,该模型的分类准确度可达95.34%,验证了此方法的有效性.
故障诊断、深度学习、无绝缘轨道电路、深度信念网络
42
U284.2(铁路通信、信号)
2020-07-15(万方平台首次上网日期,不代表论文的发表时间)
共7页
79-85