基于深度主动学习的MVB网络故障诊断方法

多功能车辆总线MVB （multiple vehicle bus）用于传输重要的列车运行控制指令和监视信息,准确地诊断MVB网络故障是列车智能运维的基础,为此,提出一种将主动学习和深度神经网络相结合的MVB网络故障诊断方法. 该方法采用堆叠去噪自编码器自动提取MVB信号物理波形特征,并将该特征用于训练深度神经网络来实现MVB网络故障模式分类;基于不确定性和可信度的高效主动学习方法,可解决实际应用中标记样本不足和人工标记成本高昂的问题,使用少量标记训练样本就能得到高性能的深度神经网络模型. 实验结果表明:为达到90%以上分类准确率,所提方法只需要600个标记训练样本,小于随机采样方法所需标记训练样本数的2 800个;在相同标记训练样本数下,所提方法在3种性能指标下均优于传统方法.      

基于Logistic集成学习的列车MVB网络异常检测方法研究

多功能车辆总线(Multifunction Vehicle Bus,MVB)已经广泛应用于轨道交通车辆,而恶劣的工作环境易造成MVB网络通信性能退化,严重时危及行车安全。在对MVB网络常见故障进行分析的基础上,从MVB物理层和数据链路层中提取网络状态特征,提出了一种基于异质Logistic集成学习的MVB网络异常检测方法,及时检测MVB网络异常,最大限度地避免故障修。通过搭建MVB网络试验平台,进行多组故障注入试验,试验结果验证了方法的有效性。