Los puntos clave no están disponibles para este artículo en este momento.
El diagnóstico de fallos de una máquina de cambio es vital para las operaciones de ferrocarriles de alta velocidad porque las máquinas de cambio juegan un papel importante en la operación segura de los ferrocarriles de alta velocidad, que a menudo tienen fallos debido a sus complicadas condiciones de trabajo. Para mejorar la precisión del diagnóstico de fallos de los cambios para ferrocarriles de alta velocidad y prevenir la ocurrencia de accidentes, se propone en esta investigación una combinación de memoria a largo y corto plazo bidireccional (BiLSTM) con el modelo de clasificación por aprendizaje múltiple basado en asociaciones (MLCBA) utilizando los datos de texto de operación y mantenimiento de las máquinas de cambio. Debido a la baja probabilidad de fallos de una máquina de cambio, es difícil formar un diagnóstico con la pequeña cantidad de datos de muestra, y se pueden extraer más características de texto de fallos con alimentación directa en un modelo BiLSTM. Luego, las reglas de alta calidad de los datos textuales pueden ser adquiridas reemplazando la clasificación SoftMax con MLCBA en la salida del modelo BiLSTM. De esta manera, se puede realizar la identificación de fallos de la máquina de cambio en un ferrocarril de alta velocidad, y los resultados experimentales muestran que la Precisión y el Recall del diagnóstico de fallos pueden alcanzar el 95.66% y el 96.29%, respectivamente, como se muestra en el análisis de los datos de texto de fallos del cambio ZYJ7 de una oficina de ferrocarriles china de los últimos cinco años. Por lo tanto, el modelo combinado de BiLSTM y MLCBA no solo puede realizar el diagnóstico preciso de fallos de cambios de baja probabilidad, sino que también puede prevenir la ocurrencia de accidentes en ferrocarriles de alta velocidad y asegurar la operación segura de los ferrocarriles de alta velocidad.
Lin et al. (Fri,) estudiaron esta cuestión.