基于LSTM神经网络的铁路制动系统故障预测方法

基于LSTM神经网络的铁路制动系统故障预测方法
姜俊鹏;贾坤;管善;董天豹
【期刊名称】《变频器世界》
【年(卷),期】2022()3
【摘要】轨道交通的日益发展使得人们对车载系统的安全性和可靠性的要求变得越来越高,本文以制动系统为切入点,对列车系统的安全性及可靠性进行优化。

根据其组成和故障处理情况,对海量的车载传感器数据和故障数据进行筛选,确定了本文主要分析和处理的明确范围。

我们提出了一种用于制动系统故障预测的神经网络模型,在外部排序算法完成对大量数据的处理后,该模型可以根据这些过去的传感器数据预测未来的故障状态。

一开始它的效果不是很好,但经过数据增强后,模型的性能得到了显著的改善。

该模型基于全连接网络和长短期记忆(long-short-term memory,LSTM)网络,该模型效果优于支持向量回归(support vector regression,SVR),尤其在召回率方面。

【总页数】6页(P54-59)
【作者】姜俊鹏;贾坤;管善;董天豹
【作者单位】中车青岛四方机车车辆股份有限公司
【正文语种】中文
【中图分类】U260
【相关文献】
1.基于LSTM网络高速列车悬挂系统故障预测方法研究
2.基于卷积神经网络和LSTM循环神经网络的客户复购预测方法
3.基于LSTM神经网络的中长期光伏电站发电量预测方法研究
4.基于SSA-Bi-LSTM神经网络的母线负荷预测方法
5.基于卷积神经网络的矿井提升机制动系统故障诊断方法
因版权原因，仅展示原文概要，查看原文内容请购买。