基于长短时记忆神经网络的列控车载设备故障诊断方法技术

本发明专利技术提供了一种基于长短时记忆神经网络的列控车载设备故障诊断方法。该方法包括：利用车载设备的日志文件通过文本数据挖掘处理构建车载设备运行信息语料库，并构建原始样本数据；构造LSTM网络和BP网络级联的多层网络系统，采用贝叶斯正则化算法对多层网络系统进行优化；利用训练样本数据来对优化后的多层网络系统进行训练，利用训练好的多层网络系统构成列控车载设备的故障诊断模型，利用故障诊断模型对列控车载设备的未知故障样本进行诊断，得到未知故障样本的诊断结果。本发明专利技术提出了基于LSTM网络和BP网络级联的列控车载设备的故障诊断方法，实现列车运行信息的智能分类，减少现场对人工经验的需求，有效进行列控车载设备的故障诊断。

Fault diagnosis method of train control equipment based on long time memory network combined with neural network

The invention provides a fault diagnosis method for train control on-board equipment based on long-term and short-term memory network and neural network. The method includes: using the log file of vehicle equipment to build the vehicle equipment operation information corpus through text data mining, and building the original sample data; constructing the LSTM network and BP network cascaded multi-layer network system, using Bayesian regularization algorithm to optimize the multi-layer network system; using the number of training samples; Then the optimized multi-layer network system is trained, and the fault diagnosis model of train control equipment is constructed by using the trained multi-layer network system. The unknown fault samples of train control equipment are diagnosed by using the fault diagnosis model, and the diagnosis results of unknown fault samples are obtained. The invention proposes a fault diagnosis method of train control on-board equipment based on LSTM network and BP network cascade, realizes intelligent classification of train operation information, reduces the demand for manual experience on the spot, and effectively carries out fault diagnosis of train control on-board equipment.

【技术实现步骤摘要】
长短时记忆网络结合神经网络的列控车载设备的故障诊断方法
本专利技术涉及列车故障诊断
，尤其涉及一种长短时记忆网络结合神经网络的列控车载设备的故障诊断方法。
技术介绍
典型的BP(backpropagation，神经网络)结构学习训练的过程即输入信息从输入层经隐藏层传向输出层的过程。BP的特别之处在于当实际输出值达不到期望值时，可通过误差反向传播来修改各层神经元的连接权值，继续训练直到输出误差在允许范围内。网络学习训练结束后神经元间的连接权值就表示了诊断对象特有的知识。神经网络的前向传播过程仅用于计算网络的输出，而后向传播过程则是根据误差反馈调整网络权值和偏置。不同神经元之间的网络权重是不同的，在初始化阶段，给每个网络权重和偏置一个很小的随机数，该随机数一般为(-1,1)，神经元的偏置可以看作是其自身的权重。传统的神经网络结构一般分为输入层、隐含层和输出层三层，LSTM(LongShortTermMemoryNetwork，长短时记忆网络)与传统神经网络的根本不同之处在于LSTM模型的隐含层具有更复杂的结构。LSTM是一种特殊的RNN(RecurrentNeuralNetwork本文档来自技高网...

【技术保护点】
1.一种长短时记忆网络结合神经网络的列控车载设备的故障诊断方法，其特征在于，包括：利用车载设备的日志文件通过文本数据挖掘处理构建车载设备运行信息语料库，利用车载设备运行信息语料库构建原始样本数据；构造LSTM网络和BP网络级联的多层网络系统，采用贝叶斯正则化算法从权值优化和结构调整两方面对所述多层网络系统进行优化；利用训练样本数据来对优化后的所述多层网络系统进行训练，利用训练好的多层网络系统构成列控车载设备的故障诊断模型，利用所述列控车载设备的故障诊断模型对列控车载设备的未知故障样本进行诊断，得到未知故障样本的诊断结果。

【技术特征摘要】
1.一种长短时记忆网络结合神经网络的列控车载设备的故障诊断方法，其特征在于，包括：利用车载设备的日志文件通过文本数据挖掘处理构建车载设备运行信息语料库，利用车载设备运行信息语料库构建原始样本数据；构造LSTM网络和BP网络级联的多层网络系统，采用贝叶斯正则化算法从权值优化和结构调整两方面对所述多层网络系统进行优化；利用训练样本数据来对优化后的所述多层网络系统进行训练，利用训练好的多层网络系统构成列控车载设备的故障诊断模型，利用所述列控车载设备的故障诊断模型对列控车载设备的未知故障样本进行诊断，得到未知故障样本的诊断结果。2.根据权利要求1所述的方法，其特征在于，所述的利用车载设备的日志文件通过文本数据挖掘处理构建车载设备运行信息语料库，包括：采集车载设备的日志文件为原始数据，对原始数据进行数据清理，该数据清理过程包括收集原始数据中的AE-log文件、统一原始数据模式、提取原始数据中的关键信息，并将关键信息存入数据库中，利用数据清理后的原始数据构建车载设备运行信息语料库，所述车载设备运行信息语料库包括车载设备的日志文件、正常运行信息以及故障信息；对车载设备运行信息语料库中的文件进行分词、统计词频、去停用词、标注词性处理，采用Skip-gram模型实现车载设备运行信息语料的向量表达，以词向量的形式表达语义信息。3.根据权利要求2所述的方法，其特征在于，所述的采用Skip-gram模型实现车载设备运行信息语料的向量表达，以词向量的形式表达语义信息，包括：扫描车载设备运行信息语料库，统计车载设备运行信息语料库中每个词出现的次数，根据各个词的词频建立Huffman树，每个词都对应一个二进制的编码，该编码表示根节点到该词的路径；以词向量的形式表达每个词对应的二进制的编码，初始化词向量与Huffman非叶子节点，词向量的维度大小为给定的参数K，每个维度的值随机初始化为0或1，非叶子节点每个维度初始化为0。目标为预测词的二进制编码概率最大；对Skip-gram模型进行训练：Skip-gram模型逐句读取车载设备运行信息语料库中的词，利用梯度下降法计算出词的梯度，根据词的梯度更新词向量和非叶子节点处向量的词，当遍历完车载设备运行信息语料库中的所有词后，训练终止，得到最终的每个词的词向量结果，以词向量的形式表达语义信息。4.根据权利要求3所述的方法，其特征在于，所述的利用车载设备运行信息语料库构建原始样本数据，包括：利用向量表达后的车载设备运行信息语料库构建原始样本数据，将原始样本数据随机划分为3部分，其中70％为训练样本数据，用于调整网络结构参数，减小误差；15％为验证样本数据，用来验证网络的泛化...

【专利技术属性】
技术研发人员：蔡伯根，上官伟，杨嘉明，石锡尧，王剑，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11