基于维修日志挖掘的ZYJ7型转辙机故障诊断

摘要

转辙机设备是铁路信号系统最重要的组成设备之一，随着我国高速铁路的快速发展，人民群众对快速又安全的铁路运行需求日益增长，转辙机设备的故障诊断效率直接影响着我国铁路运行的安全以及运输的效率。目前我国对于铁路信号设备的故障诊断仍然停留在故障修与计划修阶段，如何利用新的技术与现存的大量的维修日志数据来提高铁路信号设备故障诊断的效率，依然是目前我国铁路领域研究人员所面临的一个难题。　　转辙机的现场维修日志数据是工作在一线员工记录的关于转辙机故障的现象，故障原因以及维修情况的详细记录。因为缺乏有效的处理技术，这些产生于一线的重要数据长期被搁置。因此，本文充分利用现存的故障日志数据，对ZYJ7型转辙机的故障诊断方法进行了研究，所做的主要工作如下所述：　　首先，在故障诊断之前对故障文本数据进行预处理，使用融合了自定义词典的jieba分词工具进行中文分词。提出了基于先验知识的改进LDA主题模型，得到了更符合实际情况的故障特征词库，然后使用word2vec模型进行词向量训练，为诊断模型提供输入数据。　　其次，建立了基于深度残差CNN网络的ZYJ7型转辙机的故障诊断模型，采用基于分层的故障诊断思路，分别对一级故障与二级故障进行诊断。实验结果表明，深度残差CNN网络对于一级故障的诊断效果比较好，由于CNN模型学习时序数据能力较差，故二级故障诊断效果不理想。　　最后，针对深度残差CNN网络模型的不足，搭建了CNN+LSTM模型来进行二级故障模式的诊断，解决了深度残差网络学习两级故障标签相关性能力较差的问题。由于二级故障数据存在类别不平衡现象，故引入集成学习框架，建立了基于boosting集成的CNN+LSTM故障诊断模型，提高模型的泛化能力。最后，通过与SVM、BP以及LSTM模型进行对比实验，验证了本文所提出的一级故障与二级故障诊断模型均具有较高的诊断准确率。

目录

声明

第1 章绪论

1.1研究背景与意义

1.2 国内外研究现状

1.2.1转辙机故障诊断方法的研究现状

1.2.2深度学习在自然语言处理领域的研究现状

1.3 论文的主要研究内容

第2 章 ZYJ7型转辙机的工作原理和故障模式

2.1 ZYJ7 型转辙机设备的介绍

2.1.1 ZYJ7型转辙机的基本结构

2.1.2 ZYJ7型转辙机的工作原理

2.2 ZYJ7 型液压转辙机的故障类型

2.3 ZYJ7 型转辙机的分层故障诊断流程

2.4 本章小结

第3 章维修日志数据处理

3.1 故障数据预处理

3.1.1 故障数据介绍

3.1.2 结合铁路领域专业词汇的中文分词

3.2 基于LDA模型建立故障特征词典

3.2.1 特征表示

3.2.2 建立故障特征词典

3.2.3 融合先验知识的LDA模型

3.2.4 实验结果展示

3.3 基于Word2vec语义训练词向量

3.3.1 word2vec语义模型

3.3.2 word2vec训练模型

3.3.3 实验结果展示

3.4 本章小结

第4 章基于深度残差网络的转辙机分层故障诊断

4.1 CNN卷积神经网络文本分类

4.1.1 神经网络原理介绍

4.1.2 CNN文本分类原理介绍

4.2 基于深度残差的CNN网络建模

4.2.1网络结构设计

4.2.2网络结构优化

4.3网络参数设置

4.3.1 卷积核设置

4.3.2 激活函数选取

4.3.3 超参数设置

4.4故障诊断结果分析

4.4.1 一级故障诊断

4.4.2 二级故障诊断

4.5 本章小结

第5 章 模型的改进与对比实验分析

5.1 基于时序序列的CNN+LSTM模型

5.1.1 LSTM模型原理介绍

5.1.2 CNN+LSTM网络建模

5.1.3二级故障诊断结果

5.2 基于boosting集成的CNN+LSTM 故障诊断模型

5.2.1 不平衡数据集文本分类方法选取

5.2.2 基于boosting集成的CNN+LSTM模型

5.2.3 基于boosting集成的二级故障诊断结果

5.3 故障诊断结果对比

5.3.1 分类器评价指标

5.3.2 一级故障诊断对比分析

5.3.3 二级故障诊断对比分析

5.4 本章小结

结论与展望

致 谢

参考文献

攻读硕士期间发表的论文及参与的科研项目