[發明專利]基于長短時記憶神經網絡的列控車載設備故障診斷方法

有效

• 申請號: 201810252504.0
• 申請日: 2018-03-26
• 公開（公告）號: CN108536123B
• 公開（公告）日: 2019-08-30
• 發明（設計）人: 蔡伯根;上官偉;楊嘉明;石錫堯;王劍
• 申請（專利權）人: 北京交通大學
• 主分類號: G05B23/02
• 分類號: G05B23/02;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 黃曉軍

本發明提供了一種長短時記憶網絡結合神經網絡的列控車載設備的故障診斷方法。該方法包括：利用車載設備的日志文件通過文本數據挖掘處理構建車載設備運行信息語料庫，并構建原始樣本數據；構造LSTM網絡和BP網絡級聯的多層網絡系統，采用貝葉斯正則化算法對多層網絡系統進行優化；利用訓練樣本數據來對優化后的多層網絡系統進行訓練，利用訓練好的多層網絡系統構成列控車載設備的故障診斷模型，利用故障診斷模型對列控車載設備的未知故障樣本進行診斷，得到未知故障樣本的診斷結果。本發明提出了基于LSTM網絡和BP網絡級聯的列控車載設備的故障診斷方法，實現列車運行信息的智能分類，減少現場對人工經驗的需求，有效進行列控車載設備的故障診斷。

技術領域

本發明涉及列車故障診斷技術領域，尤其涉及一種長短時記憶網絡結合神經網絡的列控車載設備的故障診斷方法。

背景技術

典型的BP(back propagation，神經網絡)結構學習訓練的過程即輸入信息從輸入層經隱藏層傳向輸出層的過程。BP的特別之處在于當實際輸出值達不到期望值時，可通過誤差反向傳播來修改各層神經元的連接權值，繼續訓練直到輸出誤差在允許范圍內。網絡學習訓練結束后神經元間的連接權值就表示了診斷對象特有的知識。

神經網絡的前向傳播過程僅用于計算網絡的輸出，而后向傳播過程則是根據誤差反饋調整網絡權值和偏置。不同神經元之間的網絡權重是不同的，在初始化階段，給每個網絡權重和偏置一個很小的隨機數，該隨機數一般為(-1,1)，神經元的偏置可以看作是其自身的權重。

傳統的神經網絡結構一般分為輸入層、隱含層和輸出層三層，LSTM(Long ShortTerm Memory Network，長短時記憶網絡)與傳統神經網絡的根本不同之處在于LSTM模型的隱含層具有更復雜的結構。LSTM是一種特殊的RNN(Recurrent Neural Networks，循環神經網絡)結構。原始RNN的隱藏層只有一個狀態h，對于短期的輸入較為敏感，而LSTM實質上是通過記憶單元實現對RNN隱含層的改進。在RNN隱含層的基礎上，LSTM網絡模型中，隱含層增加了一個狀態c，稱為細胞狀態(cell state)，用它來保存長期狀態。

目前，現有技術中的列控車載設備的故障診斷與定位主要依賴大量維修人員的人工診斷，費時費力，并且診斷準確率低。

發明內容

本發明的實施例提供了一種長短時記憶網絡結合神經網絡的列控車載設備的故障診斷方法，以實現有效地利用LSTM網絡和BP網絡進行列控車載設備的故障診斷。

為了實現上述目的，本發明采取了如下技術方案。

一種長短時記憶網絡結合神經網絡的列控車載設備的故障診斷方法，包括：

利用車載設備的日志文件通過文本數據挖掘處理構建車載設備運行信息語料庫，利用車載設備運行信息語料庫構建原始樣本數據；

構造LSTM網絡和BP網絡級聯的多層網絡系統，采用貝葉斯正則化算法從權值優化和結構調整兩方面對所述多層網絡系統進行優化；

利用訓練樣本數據來對優化后的所述多層網絡系統進行訓練，利用訓練好的多層網絡系統構成列控車載設備的故障診斷模型，利用所述列控車載設備的故障診斷模型對列控車載設備的未知故障樣本進行診斷，得到未知故障樣本的診斷結果。

進一步地，所述的利用車載設備的日志文件通過文本數據挖掘處理構建車載設備運行信息語料庫，包括：

采集車載設備的日志文件為原始數據，對原始數據進行數據清理，該數據清理過程包括收集原始數據中的AE-log文件、統一原始數據模式、提取原始數據中的關鍵信息，并將關鍵信息存入數據庫中，利用數據清理后的原始數據構建車載設備運行信息語料庫，所述車載設備運行信息語料庫包括車載設備的日志文件、正常運行信息以及故障信息；