CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故...CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故障原因并保证行车安全,提出一种基于时序知识图谱补全的列控车载接口设备故障诊断方法。首先,采用引入时序的方式整合行车日志和故障统计数据,从而提取故障现象并对齐实体,构建时序知识图谱;其次,构建基于图谱补全的故障诊断网络,融合时序翻译(T-TransE)向量化算法、双向长短期记忆(Bi-LSTM)网络和自注意力(SA)机制提取时序特征;最后,使用某铁路局近几年的车载接口设备故障数据对T-TransE向量化模型进行预训练,选出效果最佳的时序引入方式。为验证所提方法的优越性以及数据结合方式的有效性,使用车载故障数据对不进行数据结合且不进行时序关系引入的故障诊断网络以及其他常见的故障诊断网络进行测试。实验结果表明,在同一语料的情况下,与其他故障诊断框架相比,基于时序知识图谱补全的故障诊断模型正确率最高,达到96.69%。展开更多
文摘CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故障原因并保证行车安全,提出一种基于时序知识图谱补全的列控车载接口设备故障诊断方法。首先,采用引入时序的方式整合行车日志和故障统计数据,从而提取故障现象并对齐实体,构建时序知识图谱;其次,构建基于图谱补全的故障诊断网络,融合时序翻译(T-TransE)向量化算法、双向长短期记忆(Bi-LSTM)网络和自注意力(SA)机制提取时序特征;最后,使用某铁路局近几年的车载接口设备故障数据对T-TransE向量化模型进行预训练,选出效果最佳的时序引入方式。为验证所提方法的优越性以及数据结合方式的有效性,使用车载故障数据对不进行数据结合且不进行时序关系引入的故障诊断网络以及其他常见的故障诊断网络进行测试。实验结果表明,在同一语料的情况下,与其他故障诊断框架相比,基于时序知识图谱补全的故障诊断模型正确率最高,达到96.69%。
