典型文献
基于BiLSTM和改进注意力机制的高铁车载设备故障诊断
文献摘要：
针对列控车载设备故障诊断多依赖于人工经验判断,智能化、自动化程度较低,影响列车运输安全和效率等问题,提出基于双向长短期记忆(BiLSTM)和改进注意力机制的车载设备故障诊断模型.首先根据应用程序事件日志文件的特点,通过BERT生成词向量;然后以词频为权重将词向量求和得到句向量;再将句向量输入BiL-STM 提取故障文本特征后作为改进注意力机制层的输入;最后将高维故障文本特征输入Softmax层完成故障文本分类,实现故障诊断.实验结果表明:本模型能够有效实现文本向量化表示,并结合设备故障时刻前后的列车运行状态对故障原因做出准确判断;与其他模型对比,本模型获得了最优的准确率、召回率和平均数F1值,验证了该模型可对列控车载设备的日常维护与故障诊断提供决策支持.
文献关键词：
车载设备;故障诊断;词向量;长短期记忆网络;注意力机制
中图分类号：
作者姓名：
魏伟;赵小强;丁艳华;范亮亮
作者机构：
兰州理工大学电气工程与信息工程学院,甘肃兰州 730050;甘肃省工业过程先进控制重点实验室,甘肃兰州 730050;兰州理工大学国家级电气与控制工程实验室教学中心,甘肃兰州 730050;中国铁路兰州局集团有限公司高铁基础设施维修段,甘肃兰州 730050;中国铁路兰州局集团有限公司兰州电务段,甘肃兰州 730050
文献出处：
引用格式：
[1]魏伟;赵小强;丁艳华;范亮亮-.基于BiLSTM和改进注意力机制的高铁车载设备故障诊断)[J].铁道学报,2022(11):53-62
A类：
B类：
BiLSTM,改进注意力机制,设备故障诊断,列控车载设备,车运输,运输安全,双向长短期记忆,故障诊断模型,应用程序,事件日志,日志文件,BERT,成词,词向量,词频,句向量,文本特征,高维,Softmax,文本分类,文本向量化,向量化表示,列车运行,故障原因,模型对比,召回率,平均数,日常维护,决策支持,长短期记忆网络
AB值：
0.294652
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
