基于Labeled-LDA的列控車載設(shè)備故障特征提取與診斷方法研究.pdf

1、隨著高速鐵路的運營速度不斷提高，車載設(shè)備作為保障列車安全運行的核心部分，該系統(tǒng)的正常工作對于保障列車的安全運行尤為重要。為了確保列車安全、高效的運行，需要及時準確的診斷出車載設(shè)備發(fā)生的故障類型。在當前的車載設(shè)備故障診斷研究中，診斷方式過于依賴專家知識，并且故障診斷及分析工作主要依賴相關(guān)技術(shù)人員人工完成。目前車載設(shè)備的故障診斷研究，大部分是基于整個車載設(shè)備構(gòu)建分析模型，以完成系統(tǒng)故障的診斷，如構(gòu)建貝葉斯網(wǎng)絡(luò)或是建立車載設(shè)備的故障樹模型等;

2、而對于車載設(shè)備的具體模塊的故障診斷研究相對較少，尤其是對于記錄車載設(shè)備狀態(tài)的文本日志數(shù)據(jù)的分析研究。
　　本文在針對列控車載設(shè)備日志分析的基礎(chǔ)上，采用Labeled-LDA(Labeled Latent Dirichlet Allocation)方法對日志數(shù)據(jù)進行特征提取，結(jié)合粒子群優(yōu)化支持向量機算法以實現(xiàn)車載設(shè)備的故障診斷。論文的主要工作包括:
　　(1)本文對300T車載設(shè)備故障數(shù)據(jù)的特點進行了分析。針對故障數(shù)據(jù)的特點，

3、采用數(shù)據(jù)挖掘的方式并結(jié)合現(xiàn)場技術(shù)人員的經(jīng)驗知識，構(gòu)建車載設(shè)備的故障特征詞庫;同時，由于詞項特征對文本信息提取的片面性，本文采用改進Labeled-LDA模型實現(xiàn)對文本信息的語義特征提取，并以主題的形式表征文本數(shù)據(jù)。
　　(2)通過對故障樣本數(shù)據(jù)的統(tǒng)計，發(fā)現(xiàn)故障樣本數(shù)據(jù)的分布具有嚴重的不均衡性。針對此問題，本文采用粒子群算法對支持向量機(Support Vector Machine，SVM)分類器參數(shù)進行優(yōu)化，以降低不均衡樣本對分類

4、結(jié)果的影響。通過對比仿真結(jié)果，可以驗證該方法在不均衡數(shù)據(jù)的分類診斷問題的有效性。
　　(3)以上述算法作為理論基礎(chǔ)，設(shè)計了車載設(shè)備故障診斷的驗證環(huán)境，并實現(xiàn)了車載日志數(shù)據(jù)的特征提取和車載設(shè)備的故障診斷。為了說明驗證環(huán)境的實用性，采用2017年和2016年共六個月的故障數(shù)據(jù)進行了仿真，對比實際的故障記錄，準確率達90％以上。
　　本文以300T車載設(shè)備的故障日志文本數(shù)據(jù)為研究對象，結(jié)合專家知識，提出了一種基于改進主題模型的車載