原文传递
基于短文本分类与数据融合的铁路信号设备故障诊断研究
| 论文题名： | 基于短文本分类与数据融合的铁路信号设备故障诊断研究 |
| 关键词： | 铁路信号设备;故障诊断;短文本分类;数据融合 |
| 摘要： | 铁路信号设备是包含电源屏、轨道电路、道岔、信号机以及各种控制设备在内的重要铁路系统安全装置，但总会由于各种各样的诸如设备质量不良、工作人员疏忽或误操作以及外部环境等内部或外部原因，出现各种类型的故障。目前的铁路信号设备故障诊断大部分还是采用较为传统的人工排查等方式，需要工作人员经验丰富且尽职尽责，存在较大的不确定性，稍有不慎设备故障就有可能导致事故或损失等不良影响。因此，如何根据现有的科学技术和设备来准确及时地诊断铁路信号设备故障是目前的研究热点，且要准确诊断出具有随机性、复杂性和多样性的铁路信号设备故障更不容易。本文的主要研究内容如下： （1）建立铁路信号设备故障文本数据集。针对铁路信号设备故障文本类型存在数据不均衡的问题，采用了朴素随机过采样的SMOTE算法对不平衡数据进行少数类故障文本的重复随机采样，由此来生成了质量较好的少数类样本，使数据集的故障类别数量整体上达到了较为均衡的状态。 （2）提出了针对铁路信号设备故障的短文本分类模型（ERNIE_RCNN）。由于故障文本具有长度短、多歧义、特征稀疏等特点，采用了适合处理中文短文本的ERNIE 和 TextRCNN 复合模型来对铁路信号设备故障进行分类诊断。通过实验证明，本文提出的ERNIE_RCNN模型在分类精确度上要明显高于其他深度学习模型。 （3）构建起基于短文本分类结果和专家评价的数据融合技术的故障诊断模型。根据ERNIE_RCNN模型的精度输出和专家评价结果分别构造D-S证据理论的基本概率分配值，然后将短文本分类模型和专家评价后的故障诊断结果通过D-S证据理论在决策级进行数据融合，最后通过实例证明了融合结果的可靠性。 本文通过将预处理后各类别数量均衡的铁路信号设备故障文本，在故障短文本分类模型和根据D-S证据理论的数据融合技术来对铁路信号设备故障诊断。这种将历史经验和现场专家评价相结合的方法很适合处理具有很大不确定性的故障短文本，经过实验验证，两种方法都取得了很好的诊断效果，为铁路信号设备维护人员提供了决策的参考。 |
| 作者： | 宋文琴 |
| 专业： | 管理科学与工程 |
| 导师： | 尚庆生 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州财经大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
