基于Labeled-LDA的列控车载设备故障特征提取与诊断方法研究

• 作者: 上官伟 王剑 胡福威 袁亚辉
• 来源期刊: 铁道学报
• 学科: 交通运输
• 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
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 铁道通信信号、信息化
• 页码范围: 56-66
• 页数: 11页
• 分类号: U284.48
• 字数: 7557字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-8360.2019.08.008

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王剑	北京交通大学电子信息工程学院	102	885	17.0	24.0
5	上官伟	北京交通大学电子信息工程学院	58	408	12.0	17.0
9	袁亚辉	北京交通大学电子信息工程学院	1	0	0.0	0.0
10	胡福威	北京交通大学电子信息工程学院	2	1	1.0	1.0