典型文献
融合BiLSTM-CBA组合模型的高铁车载设备故障诊断
文献摘要：
为提高高铁车载设备在运营维护过程中数据利用率,以CRH2型与CRH3型动车组列车中最具代表性的CTCS3-300T型车载设备的故障文本数据为例,提出一种将双向长短时记忆网络(BiLSTM)与关联规则分类器(CBA)技术相结合的车载设备故障诊断模型.首先,该模型通过Word2vec工具对车载设备故障文本进行词向量训练;其次,针对故障数据分布不平衡的问题,通过合成少数类过采样技术(SMOTE)算法,自动生成小类别文本向量数据;然后,利用BiLSTM获取故障文本特征;最后,采用CBA算法实现车载设备故障诊断,通过试验分析某铁路局近5年的车载故障文本数据.结果表明:该模型使故障诊断的精确率和召回率分别达到95.66％和96.29％,相较于未采用SMOTE算法的模型,其召回率提升11.77％;该模型能够保证整体分类准确率,同时,也具备较好的小类别分类性能.
文献关键词：
双向长短时记忆网络(BiLSTM);关联规则分类器(CBA);车载设备;故障诊断;合成少数类过采样技术(SMOTE)
中图分类号：
作者姓名：
林海香;卢冉;陆人杰;李新琴;赵正祥;白万胜
作者机构：
兰州交通大学 自动化与电气工程学院,甘肃兰州730070;卡斯柯信号有限公司,上海200071;中国铁道科学研究院集团有限公司 电子计算技术研究所,北京100081
文献出处：
引用格式：
[1]林海香;卢冉;陆人杰;李新琴;赵正祥;白万胜-.融合BiLSTM-CBA组合模型的高铁车载设备故障诊断)[J].中国安全科学学报,2022(06):79-86
A类：
B类：
BiLSTM,CBA,组合模型,车载设备,设备故障诊断,运营维护,数据利用率,CRH2,CRH3,动车组列车,CTCS3,300T,故障文本数据,双向长短时记忆网络,关联规则分类,分类器,技术相结合,故障诊断模型,Word2vec,词向量训练,故障数据,数据分布,分布不平衡,合成少数类过采样技术,SMOTE,自动生成,文本向量,文本特征,算法实现,试验分析,铁路局,精确率,召回率,整体分类,分类准确率,分类性能
AB值：
0.328173
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。
