基于OC-SVM与DNN相结合的ZPW-2000R轨道电路故障诊断研究
谢本凯, 蔡水涌, 黄春雷, 禹建丽, 陈广智, 王国保
2023, 26 (4):
154-163.
doi: 10.3969/j.issn.1007-7375.2023.04.018
针对轨道电路故障诊断准确率低且高质量故障数据难以收集等问题,提出一种基于单分类支持向量机 (OC-SVM) 与深度神经网络 (DNN) 相结合的故障诊断方法。该方法使用OC-SVM模型对数据进行单分类识别,将正样本数据输入到DNN模型进行训练和预测,为负样本数据添加标签并收集。利用ZPW-2000R轨道电路信号数据进行大量实验,结果表明OC-SVM模型能精确地识别出正负样本数据,DNN模型能准确高效地诊断出15种数据类型,且准确率高达99%。与粒子群算法优化支持向量机、卷积神经网络、堆叠自编码器3种故障诊断方法相比,该组合方法的准确率更高,诊断效果更稳定。
参考文献 |
相关文章 |
计量指标
|