现代交通技术研究

基于深度学习的列控工程数据异常检测方法研究

李 浩钊

中国铁路设计集团有限公司

DOI: https://doi.org/10.59429/xdjtjs.v7i2.10441

Keywords: 深度学习；列控工程数据；异常检测；卷积神经网络；循环神经网络

---

Abstract

列车运行控制系统，通常被称为列控系统，其安全稳定运行对于整个铁路运输系统来说是至关重要的。列 控工程数据作为列控系统计算行车控制曲线、编码轨道电路、生成列车移动授权的底层数据，其正确性对于保证高 速铁路列车运行控制至关重要。论文将深入探讨一种基于深度学习技术的列控工程数据异常检测方法。论文分析列 控系统数据特性，探讨传统异常检测方法的局限，并介绍深度学习模型如 CNN、RNN、LSTM 和 GRU 在处理列控 数据方面的潜力和优势。

---

References

[1] 中国铁路总公司.铁总运〔2014〕246号列控数据管理暂行办法[S].北京:中国铁路总公司,2014.

[2] 徐倩,张雷,欧冬秀,等.基于BERT-CNN的城轨列控车载设备故障分类[J].深圳大学学报理工版,2023,40(5):529-538.

[3] 赵阳,陈光武,李开成,等.一种高铁列控系统多模态异常检测方法与流程[J].X技术,2024.

[4] 王剑,郭进.基于CNN-ADABOOST的车载设备故障诊断[J].重庆邮电大学学报(自然科学版),2023,35(6):940-948.

[5] 张杨,李明应,潘浩,等.Efficient Visual Fault Detection for Freight Train via Neural Architecture Search With Data Volume Robustness[J]. IEEE Transactions on Industrial Informatics, 2024,20(10):11919-11929.

[6] 杨扬,赵会兵,蔡国强.异常检测:从统计方法到深度学习[J].掘金,2024.

[7] 刘思远.基于深度学习的异常检测综述[J].CSDN博客,2024.

[8] 张磊.基于深度学习的故障诊断与剩余寿命预测[J].西安电子科技大学数学与统计学院,2020.

[9] 张栋豪,王卓,朱力强,等.基于多源数据融合的列控系统风险评估方法[J].交通运输工程学报,2023,23(4):157-166.