[发明专利]基于长短时记忆神经网络的列控车载设备故障诊断方法

说明书

本发明提供了一种长短时记忆网络结合神经网络的列控车载设备的故障诊断方法。该方法包括：利用车载设备的日志文件通过文本数据挖掘处理构建车载设备运行信息语料库，并构建原始样本数据；构造LSTM网络和BP网络级联的多层网络系统，采用贝叶斯正则化算法对多层网络系统进行优化；利用训练样本数据来对优化后的多层网络系统进行训练，利用训练好的多层网络系统构成列控车载设备的故障诊断模型，利用故障诊断模型对列控车载设备的未知故障样本进行诊断，得到未知故障样本的诊断结果。本发明提出了基于LSTM网络和BP网络级联的列控车载设备的故障诊断方法，实现列车运行信息的智能分类，减少现场对人工经验的需求，有效进行列控车载设备的故障诊断。

技术领域

本发明涉及列车故障诊断技术领域，尤其涉及一种长短时记忆网络结合神经网络的列控车载设备的故障诊断方法。

背景技术

典型的BP(back propagation，神经网络)结构学习训练的过程即输入信息从输入层经隐藏层传向输出层的过程。BP的特别之处在于当实际输出值达不到期望值时，可通过误差反向传播来修改各层神经元的连接权值，继续训练直到输出误差在允许范围内。网络学习训练结束后神经元间的连接权值就表示了诊断对象特有的知识。

神经网络的前向传播过程仅用于计算网络的输出，而后向传播过程则是根据误差反馈调整网络权值和偏置。不同神经元之间的网络权重是不同的，在初始化阶段，给每个网络权重和偏置一个很小的随机数，该随机数一般为(-1,1)，神经元的偏置可以看作是其自身的权重。

传统的神经网络结构一般分为输入层、隐含层和输出层三层，LSTM(Long ShortTerm Memory Network，长短时记忆网络)与传统神经网络的根本不同之处在于LSTM模型的隐含层具有更复杂的结构。LSTM是一种特殊的RNN(Recurrent Neural Networks，循环神经网络)结构。原始RNN的隐藏层只有一个状态h，对于短期的输入较为敏感，而LSTM实质上是通过记忆单元实现对RNN隐含层的改进。在RNN隐含层的基础上，LSTM网络模型中，隐含层增加了一个状态c，称为细胞状态(cell state)，用它来保存长期状态。

目前，现有技术中的列控车载设备的故障诊断与定位主要依赖大量维修人员的人工诊断，费时费力，并且诊断准确率低。

发明内容

本发明的实施例提供了一种长短时记忆网络结合神经网络的列控车载设备的故障诊断方法，以实现有效地利用LSTM网络和BP网络进行列控车载设备的故障诊断。

为了实现上述目的，本发明采取了如下技术方案。

一种长短时记忆网络结合神经网络的列控车载设备的故障诊断方法，包括：

利用车载设备的日志文件通过文本数据挖掘处理构建车载设备运行信息语料库，利用车载设备运行信息语料库构建原始样本数据；

构造LSTM网络和BP网络级联的多层网络系统，采用贝叶斯正则化算法从权值优化和结构调整两方面对所述多层网络系统进行优化；

利用训练样本数据来对优化后的所述多层网络系统进行训练，利用训练好的多层网络系统构成列控车载设备的故障诊断模型，利用所述列控车载设备的故障诊断模型对列控车载设备的未知故障样本进行诊断，得到未知故障样本的诊断结果。

进一步地，所述的利用车载设备的日志文件通过文本数据挖掘处理构建车载设备运行信息语料库，包括：

采集车载设备的日志文件为原始数据，对原始数据进行数据清理，该数据清理过程包括收集原始数据中的AE-log文件、统一原始数据模式、提取原始数据中的关键信息，并将关键信息存入数据库中，利用数据清理后的原始数据构建车载设备运行信息语料库，所述车载设备运行信息语料库包括车载设备的日志文件、正常运行信息以及故障信息；