改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

基于粒子群优化神经网络算法的货运机车能耗预测研究

机车能耗是铁路能耗的主要部分,是衡量铁路运营水平的重要指标,机车能耗水平的有效降低,将成为未来铁路节能降耗的主要手段之一。阐述测算机车能耗普遍采取的算法,考虑粒子群算法具有全局最优、能够实现动态搜索等优势,提出粒子群优化神经网络算法,将机车能耗有关影响因素作为输入变量,建立基于粒子群优化神经网络算法的货运机车能耗预测模型。以邯长线货运机车能耗为例,分别采用神经网络算法和粒子群优化神经网络算法进行货运机车能耗预测。结果表明,基于粒子群优化神经网络算法的货运机车能耗预测具有较高的可信度。     

面向高质量开行的中欧班列开行方案动态优化方法研究

为满足中欧班列高质量发展的目标要求,将运力优先释放给高质量货物,基于分类货物对班列开行质量的贡献程度对中欧班列开行方案的优化方法进行研究。首先,将货物按照货物价值、来源班列运营平台、时效性不同进行分类,并设置货物运输效益系数,计算出包含经济效益及社会效益在内的不同品类货物的综合货物运输效益,用于反映货物运输特性对班列开行质量的影响。其次,根据线路现状选择备选城市作为集结中心,设计出“混合轴辐式”中欧班列开行模式,并加入时间因素构建出时空网络。然后,以货流平衡、班列接续、编组限制、集结中转作业及口岸作业限制等能力为约束条件,建立了以班列开行综合运输效益最优为目标的开行方案优化模型。结合模型特点,进一步设计列生成算法对优化模型进行求解,并利用Gurobi软件对限制主问题和原整数规划问题进行了求解。算例表明,基于“混合轴辐式”网络的“直达+中转”模式,使得运输需求满足率提升了3.56%,优化后的中欧班列开行方案实现了在口岸能力有限的情况下对运营质量较好班列公司的货物以及高价值时间敏感货物进行优先运输,并使其均衡到达口岸以缓解口岸拥堵,顺应中欧班列高质量运输的发展需求。研究可以为中欧班列日常运...     

基于IPSO的霍尔特指数平滑系数的铁路客运量预测研究

为了提高霍尔特指数平滑法对铁路客运量预测的精度,基于改进粒子群算法(IPSO)对铁路客运量预测领域中霍尔特指数平滑系数的取值进行优化研究。以我国各省铁路客运量为研究对象进行仿真实验,以验证改进粒子群算法的寻优效果,并求解霍尔特指数以预测各省铁路客运量的平滑系数最优取值。研究表明,相较于经典的线性递减权重优化法和固定权重法,非线性递减权重优化的粒子群算法能更加准确地求出最优平滑系数,具有更好的寻优能力和收敛速度。以上海市为例,其收敛速度分别提高4代和14代,求解精度分别提高了0.000 18、0.000 006。     

基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测

岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_θ/σ_c、岩石脆性系数σ_c/σ_t以及弹性能量指数W_et作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。     

基于BP神经网络修正的自适应灰色模型的隧道变形预测研究

隧道围岩具有高度的非线性变形特征,通过变形预测能有效判断隧道变形的发展趋势。首先以自适应GM(1,1)模型对隧道变形进行初步预测,且为保证自适应模型的参数为全局最优参数,提出以粒子群算法对模型参数进行优化;其次,以BP神经网络为基础,建立误差修正模型,旨在进一步提高预测精度。在此基础上,将该预测模型应用于2个工程实例中,结果表明:该预测模型在横向和纵向上的预测效果均较好,自适应能力和递推能力均较强,预测结果与实测值较为吻合,预测精度较高,能较好地反映隧道围岩的变形规律。该预测模型能较为有效地实现隧道围岩的动态预测,可以进行推广应用及研究,为隧道变形预测提供一种新的思路。     

基于FPSO灰色Verhulst模型的铁路货运量预测

为提高灰色Verhulst模型的预测精度,采用粒子群算法对灰色Verhulst模型的参数值进行优化,利用滑动窗对原始数据序列进行动态更新,使用Fourier序列修正模型的误差,提出FPSO灰色Verhulst模型预测铁路货运量的方法。以平均绝对误差、均方根误差、平均相对误差为评价指标,采用传统灰色Verhulst模型、GM(1,1)、径向基神经网络、FPSO灰色Verhulst模型分别对具有增长趋势、摆动发展以及交叉发展趋势的铁路货运量进行预测。结果表明,FPSO灰色Verhulst模型能更好地反映铁路运输过程中的突变因素,是一种减少误差、充分利用新生数据、提高预测精度的有效方法。     

中欧班列去程运输组织优化模型

针对中欧班列去程运输组织优化问题进行研究,根据现有的直达和集结开行两种运输组织模式,构建中欧班列去程运输组织优化模型。以《"一带一路"中欧国际货运班列联盟宣言》中提出的选定乌鲁木齐作为中欧班列西部方向集结中心为例,将调研所得实际数据带入数学优化模型求解得出最优方案。为了探究影响中欧班列运输组织模式的关键要素,具体分析中欧班列平均旅行速度、货物时间价值两个参数对运输组织模式的影响,总结得出对中欧班列运输组织具有指导意义的结论。     

基于PSO-RBF神经网络的磁浮车悬浮间隙传感器非线性校正方法

针对磁浮车悬浮间隙传感器在0～20 mm范围内检测的非线性问题,建立了RBF(径向基函数)神经网络非线性校正逆模型,并采用粒子群算法对网络参数进行优化。仿真实验表明,所设计的PSO(粒子群优化)-RBF神经网络能够高精度地逼近传感器逆模型,经校正后传感器线性度可达0. 45%,全量程的检测误差小于0. 1 mm,能够满足悬浮控制系统的精度要求。     

基于空间加权的LS-SVM城市轨道交通车站客流量预测

为提高城市轨道交通车站客流预测模型精度,简化模型数据需求规模,提出基于空间加权的LS-SVM城市轨道交通车站客流预测模型。基于交通网络距离重新划分车站的影响范围,提出分距离影响带的线型和指数型空间权重系数方程,结合空间权重系数,输入区域特征变量和车站属性变量构建城市轨道交通车站客流LSSVM预测模型,运用动态改变惯性权重自适应粒子群优化算法(DCW-APSO)对模型参数进行优化选取。应用模型预测2011年成都市地铁1号线部分车站客流,并与其他模型进行比较,结果表明:模型明显提高客流预测精度,简化数据需求量,作为城市轨道交通客流预测的补充模型可以进一步提高系统的可靠性。     

基于改进LS-SVM算法的列车通信网络时延预测方法

由于通信网络诱导时延的存在会对列车牵引制动系统造成影响,因此对时延精准预测并实现补偿十分重要。提出了一种基于改进粒子群(PSO)算法优化的最小二乘法支持向量机(LS-SVM)算法对列车通信网络时延进行预测,搭建了列车网络控制系统半实物平台,使数据通过多功能车辆总线(MVB)进行传输,分别改变车辆控制单元(VCU)特征周期及负端口数量大小,以获取大量不同特性的时延数据。将数据分组后利用改进的PSO算法优化LS-SVM算法进行预测仿真。仿真结果表明,与传统的LS-SVM算法及Elman神经网络算法的预测方法相比,所提出的方法在列车通信网络的时延预测方面具有更好的快速性和准确性。     

大秦铁路煤炭运输需求分析与预测

随着国家优化存量资源配置、能源结构调整、“公转铁”等政策的相继出台,以及浩吉铁路开通、唐呼铁路能力逐步释放,重载铁路运输需求分布发生变化,大秦铁路作为“西煤东运”的主要重载铁路运输通道,其需求情况也随之发生变化。在阐述大秦铁路上、下游行业发展和运输需求现状的基础上,从宏观经济、市场供需、竞争环境及铁路内部等方面分析影响大秦铁路煤炭运输需求的关键因素,结合大秦铁路煤炭运输需求关键影响因素,构建人工神经网络模型,预测大秦铁路煤炭运输需求。研究大秦铁路煤炭运输需求变化,对决策项目投入、保障货运增量具有重要意义。     

基于系统动力学的中欧班列运价调整仿真研究

为促进中欧班列的可持续发展,对中欧班列的运输价格调整进行研究分析。结合影响中欧班列运价的因素,包括运输成本、供给能力、市场需求、市场竞争、补贴力度及对外贸易发展趋势,提出运用系统动力学的方法解决中欧班列的运价调整问题。建立系统动力学模型,以中欧班列（成都）为例对模型进行仿真试验,仿真结果验证了模型的可行性。通过多种方案对比,提出了在市场需求和政府补贴变化情况下的中欧班列运输价格调整方法,即需求系数上下浮动4个单位,运价调整范围在50美元/TEU内;为维持中欧班列价格优势,保持中欧班列货源吸引力,政府补贴降速应在30%以内,即运价涨幅在200～500美元/TEU之间,为中欧班列运价调整方向和范围提供参考。     

基于改进的BP神经网络的产品生产成本估算

基于BP神经网络的成本估算模型,利用全局搜索能力较强的遗传算法优化BP神经网络连接权,克服传统的BP算法易陷入最小值的缺点,使模型预测性能、预测精度和泛化能力得到有效改进.以列车转向架为例,建立产品生产成本GA-BP估算模型,通过8组检测样本检验训练好的遗传人工神经网络.计算结果表明:预测值与期望值的误差小于4%,说明利用遗传神经网络模型对产品成本进行估算切实可行.     

一种调度区段晚点时长的神经网络预测模型

晚点是区段内列车运行受到扰动后出现的时刻表偏移现象,为分析和预测晚点的发生,相关研究通常采用晚点传播分析、实绩数据统计的方法改善模型输出结果。在现有分析方法的基础上,设计了初始晚点和连带晚点的分类方法,将列车在调度区段的开行转化为有向图表示,并通过分析有向弧内的计划时间饱和度,实现了晚点的分类与传播路径的确定。在分类方法提供的数据基础上,提出了晚点预测模型,采用反向传播神经网络预测晚点时长。组合模型使用北京铁路局某调度区段的实际运行数据进行验证,结果表明允许误差为5 min时,神经网络的晚点时长预测准确率为85.5%,网络受突发事件影响较大,模型拟合复杂数据关系的能力需要进一步改善。     

自动编制行李车装车计划算法模型研究

中铁快运公司为提高行李车利用率和运输组织效率,正在建设直管站调度新体系,为此,需要研发一套提供自动编制行李车装车计划功能的管理信息系统.针对这一需求,进行系统分析和研究,将主要影响因素进行数字化处理,设计自动编制装车计划算法,使管理信息系统能够遵照业务规则和若干限制条件,模拟人的思维,从在库贷物中优选票据信息,形成装车计划.     

基于人工神经网络的大直径盾构隧道施工地层变形预测分析

为了预测盾构施工引起的地表沉降规律,以京张高铁清华园大直径泥水盾构隧道工程为背景,结合盾构试验段隧道掘进过程中地层变形的监测数据,建立基于时间序列的NARNN(不含外部输入)和NARXNN(含外部输入)非线性自回归神经网络预测模型,对重要监测断面测点的隧道掘进过程中地表沉降发展趋势进行预测分析,并与传统时间序列ARMA模型预测结果进行对比,发现NARNN模型、NARXN模型、NARMA模型的预测结果与现场监测数据都比较吻合,而NARNN和NARXN非线性自回归神经网络预测模型精度明显高于传统时间序列ARMA模型,而考虑外部输入的NARXNN模型又比不考虑外部输入的NARNN精度高。因此,在考虑施工方法、地质条件和空间效应(埋深)等外部因素条件下建立的NARXNN模型具有良好的预测效果,能够较好地模拟盾构施工引起的地表沉降规律。     

基于粒子群支持向量机的轨道电路故障诊断

支持向量机（SVM）是一种解决小样本分类问题的最佳理论算法，它的核函数的参数选择非常重要，直接影响着故障诊断的准确率。本文将粒子群算法（PSO）用于支持向量机的参数优化，提出基于粒子群支持向量机的故障诊断模型，并将其运用于轨道电路中。通过对比MATLAB仿真结果得出:经过粒子群寻优得到的参数比随机选取的参数更优，所建立的PSO-SVM模型的故障诊断准确率高于普通的SVM模型。