[发明专利]一种磁浮列车的故障文本分析处理方法

说明书

本发明公开了一种磁浮列车故障文本分析方法，包括：获取故障发生时数据记录文件和故障解决后的处理措施文件，构成磁浮列车的故障文本；获取故障文本的特征词文本，利用TF‑IDF表示法将特征词文本转化为SVM分类算法输入向量；利用QPSO算法迭代优化，获取满足终止条件的粒子；并获得计算适应度值和SVM算法的最优参数值；利用SVM算法的最优参数值构造SVM分类模型；将SVM分类算法输入向量代入SVM分类模型进行训练，将SVM分类算法输入向量分为训练集、验证集和测试集，测试集训练分类结果作为SVM分类模型的评价指标。本发明将多维文本向量降维处理的过程，SVM分类算法计算的复杂性取决于支持向量的数目，而不是样本空间的维数，从一定程度上起到了降维目的。

技术领域

本发明涉及轨道交通车辆领域，尤其涉及一种磁浮列车的故障文本分析处理方法。

背景技术

随着城市化进程的飞速发展，环保性好、性价比高的磁浮线路逐渐成为城市轨道交通系统中重要组成部分。目前商业化运营的磁浮线路，都是运用在城市中心与机场或郊区的快速延伸线运营，如上海机场磁浮线、北京S1磁浮线、长沙磁浮线、清远磁浮线等。随着运营里程的增加，积累了海量的运行数据和故障数据，列车事件记录仪能将列车运行数据、故障数据进行文本化存储。

现有的列车文本数据繁杂，无效缺陷文本占比高，磁浮列车的运营单位并没有合理挖掘这些数据的价值，为列车的故障诊断和预防性维修服务。通过对故障文本信息的深度挖掘，建立列车故障信息知识库，对后续故障诊断具有重要参考作用。

在文本数据分类处理领域广泛应用的算法很多，例如有朴素贝叶斯算法、K最近邻算法(KNN)、神经网络、支持向量机(SVM)等。对于小样本训练集来说，SVM算法因其较强的泛化能力和鲁棒性成为目前应用效果较好的分类器之一。SVM算法泛化能力与学习能力较好，但准确率不高。

发明内容

本发明提供一种磁浮列车故障文本分析方法，以克服现有算法处理数据文本准确率不高等技术问题。

为了实现上述目的，本发明的技术方案是：

一种磁浮列车故障文本分析方法，其特征在于，包括：

步骤1、获取故障发生时数据记录文件和故障解决后的处理措施文件，构成磁浮列车的故障文本；

步骤2、对故障文本进行词汇特征提取，获取故障文本的特征词文本；

步骤3、利用TF-IDF表示法将特征词文本转化为SVM分类算法输入向量；

步骤4、利用QPSO算法迭代优化，获取满足终止条件的粒子；

步骤5、利用满足终止条件的粒子计算适应度值，其中最高的适应度值对应的SVM算法惩罚参数值和SVM算法径向基核函数参数为SVM算法的最优参数值；

步骤6、利用SVM算法的最优参数值构造SVM分类模型；

步骤7、将SVM分类算法输入向量代入SVM分类模型进行训练，并利用K重交叉验证方法将SVM分类算法输入向量分为训练集、验证集和测试集，利用训练集、验证集对SVM分类模型进行训练，测试集训练分类结果作为SVM分类模型的评价指标。

进一步的，步骤1包括：

步骤1.1、利用磁浮列车事件记录仪获取列车总线的网络控制系统、悬浮控制系统、制动系统、空调控制系统、门控系统、电池管理系统、辅逆变系统、安全计算机系统、健康管理系统、乘客信息系统中的状态信息和故障信息，将状态信息和故障信息进行文本化存储，得到故障发生时数据记录文件；

步骤1.2、将故障发生时数据记录文件录入故障信息库得到故障解决后的处理措施文件。

进一步的，步骤4包括，