基于LSTM的动车组故障率预测模型

动车组故障率趋势波动较大,其机理因素较为复杂:既有源头质量、养护维修问题产生的起伏,又有线路条件、气候等环境因素导致的故障率波动,同时涉及动车组生命周期内大量转配问题导致其运行环境的改变。由于很难量化这些因素,采用传统数理拟合方式描述动车组安全规律特征难度较大。提出1种长短记忆(LSTM)神经网络模型,用数据驱动的方式对高速动车组安全规律进行建模,以期预测未来周期的故障率数据。该模型能通过合理泛化训练,一定程度上通过对各系统安全规律数据的收集,掌握整车故障率的发展趋势,可为动车组运维提供数据支撑。