铁路机车车辆运行故障监测诊断研究

胡平

摘 要：传统的铁路机车车辆运行故障监测诊由于过于依赖信息处理技术和专家进行诊断，因此存在诊断模型的准确率不高以及泛化性不强等问题。针对以上问题，文章基于卷积神经网络模型，引入Dropout、BN、SVM对该模型进行了改进。通过改进模型，有效提升了对故障样本的识别能力、收敛速度以及泛化能力，不同程度地实现了故障准确分类的额可行性。最后，在噪声干扰的情况下，对改进后的CNN-BN-SVM模型的有效性进行了仿真实验。实验结果表明，CNN-BN-SVM模型在处理故障数据和康噪声等方面具有明显的优越性。

关键词：故障监测;卷积神经网络;SVM分类器

中图分类号：U279 文献标识码：A 文章编号：1001-5922（2021）06-0169-05

Abstract：The traditional fault monitoring and diagnosis of railway locomotive and rolling stock relies too much on information processing technology and experts for diagnosis， so there are some problems such as low accuracy of diagnosis model and weak generalization. Aiming at the above problems， this paper improves the model by introducing Dropout， BN and SVM based on convolutional neural network model. By improving the model， the recognition ability， convergence speed and generalization ability of fault samples are effectively improved， and the feasibility of accurate fault classification is realized in different degrees. Finally， in the case of noise interference， the effectiveness of the improved CNN-BN-SVM model is simulated. The experimental results show that CNN-BN-SVM model has obvious advantages in dealing with fault data and anti-noise.

Key words：ault monitoring; convolutional neural network; SVM classifier

随着我国铁路的高速发展，铁路机车车辆运行对安全保障提出了更严格的要求。目前，关于铁路机车车辆运行故障监测诊断的研究方法已经取得了丰硕的成果，但由于其不够智能化和自动化，需要依赖故障诊断专家对故障进行判断，因此其通用性、准确性、实时性不高，有待进一步提升。基于此背景，本文开展了适用于铁路机车车辆运行更加智能化、通用化的监测诊断方法研究，以提高铁路机车车辆运行的故障监测和诊断的水平，进一步保障铁路机车车辆运行安全，降低其运维成本。本文主要针对目前卷积神经网络（CNN）存在的不足，以及故障样本数量少等问题，建立了模型的优化措施，并将改进后的模型应用到实际故障监测诊断中。

1 CNN-BN-SVM简介

根据卷积神经网络结构，建立三层卷积层和三层池化层以及一层全连接输出层，并设定模型的各训练参数值如表1所示。……