基于数据挖掘算法的地铁站能耗时序预测方法

建立了误差反向传播神经网络(BPNN)、决策树分类与回归树(CART)、支持向量回归机(SVR)三种普通的输入-输出预测模型,对地铁站能耗进行预测。基于数据挖掘算法对三个模型进行改进,得到了三种模型基于时间延迟的预测结果,对比了改进前后的预测结果,并确定了最佳的时间延迟。结果表明:普通的输入-输出模型中,SVR对能耗的预测更加精确;基于时间序列的能耗预测模型对BPNN预测模型的提升最大;滞后时长为5 min时,三种模型的预测精度最高;基于决策树CART算法的时序能耗预测模型对时间延迟的敏感度最高。     

基于数据挖掘的铁路货运量预测方法

随着铁路部门信息化的建设,海量的数据积累使得采用数据挖掘技术对铁路货运量进行预测十分必要.通过系统分析、数据预处理、数据挖掘及知识提取,提出了预测铁路货运量的三种算法:线性回归、BP神经网络及支持向量回归机,并通过实例验证比较了算法的有效性.     

基于自适应LSSVM模型的动车组运行速度控制

针对动车组运行环境多变、运行过程具有不确定和强非线性特性,提出了一种动车组运行过程自适应最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)建模及其速度控制方法。首先基于动车组牵引特性和运行过程数据建立其LSSVM模型,并采用粒子群优化算法确定模型参数;其次,依据模型校正策略,通过动车组运行的新数据采用自适应迭代算法来校正LSSVM模型参数,以改善模型的适应性;最后给出了基于LSSVM模型的动车组速度预测控制方法。基于CRH380AL型动车组运行数据的对比仿真结果验证了本文方法的有效性。     

基于数据挖掘技术的地铁牵引电机温度预测

温度是影响牵引电机使用寿命的重要因素，提前预测对地铁安全高效的运行具有极其重要的作用。文章首先以牵引电机的运行数据为基础，选取与电机温度相关的一系列重要特征参数，通过线性回归(Ridge)模型、基于决策树构建的回归树(梯度提升树，GBDT)模型和多层感知机(MLP)模型，建立牵引电机温度预测模型并进行相应模型训练；其次，选用R-Squared、均方误差(MSE)和对称平均绝对百分比误差(SMAPE)指标，来评价模型的拟合效果。最后，利用已训练模型对之后两个月的电机温度进行预测，从而验证模型的泛化精度，实现牵引电机温度精确预测。通过研究，初步验证了数据挖掘技术在预测地铁牵引电机温度方面的有效性和可行性。结果表明，在预测电机温度时，MLP模型比其他两种模型在精准性和鲁棒性方面性能更佳。     

基于随机森林的动车组牵引电机故障特征选择方法

动车组车载数据具有维度高、数据量大的特点,从高维度的数据中提取出牵引电机相关的有效特征是进行数据驱动模型构建的基础。文章以基尼指数为例,介绍了基于基尼指数的CART分类树构建步骤、基于CART分类树的随机森林构建方式以及基于随机森林分类算法的基尼指数平均不纯度减少和袋外误差平均准确度减少2种特征选择方法,并对2种特征选择方法进行了试验验证。基于UCI机器学习样本库,通过Dry Bean Dataset和Wine Dataset 2种典型案例验证了2种特征选择方法在特征选择和模型分类方面的有效性;基于动车组车载实测数据,通过对动车组牵引电机的特征选择,验证了2种方法都能有效筛选出牵引电机故障特征,同时基于所选故障特征建立的牵引电机故障诊断模型具有较高准确率和召回率,可用于动车组牵引电机故障特征选择。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于改进最小二乘支持向量机的电力机车牵引电机建模

介绍利用最小二乘支持向量机的回归理论对牵引电机磁化曲线进行拟合,从而建立准确的电力机车牵引电机模型的方法.针对最小二乘支持向量机参数选择耗时长的问题,提出一种基于三步搜索技术的参数选择方法.理论分析及仿真结果表明,该方法可优化选择最小二乘支持向量机的参数,并可提高最小二乘支持向量机的建模速度.将该方法用于电力机车牵引电机建模的参数选择,仿真结果表明,该方法建立的电力机车牵引电机模型精确度高,可用于对电力机车主电路性能及控制策略的研究.     

基于Labeled-LDA的列控车载设备故障特征提取与诊断方法研究

准确地诊断出列控车载设备的故障类型是保障列车安全运行的基础。针对车载设备故障诊断问题,根据北京动车段300T车载日志数据的特点,基于数据挖掘方法并结合现场技术人员的经验知识,构建车载设备的故障特征词库;在此基础上,改进了Labeled-LDA(Latent Dirichlet Allocation)模型用于提取日志数据的语义特征。采用基于粒子群优化的支持向量机算法PSO-SVM对日志文本的故障进行分类,以降低故障样本数据分布不均衡对分类精度的影响,并与传统的支持向量机算法SVM,K最近邻算法KNN进行对比分析。实验结果表明,KNN、SVM、PSO-SVM三种算法的故障文本数据一级故障诊断准确率依次为79.4%,81.8%和90.9%,二级故障诊断准确率依次为74.6%,78.1%和81.3%,验证了PSO-SVM算法在车载设备故障诊断方面的有效性。该研究成果对列控车载设备日常维护具有一定的指导意义。     

滑坡变形的支持向量机非线性组合预测

在分析支持向量机(SVM)用于时间序列预测和非线性组合原理基础上,提出基于支持向量机的非线性组合预测方法。利用4种单项预测方法,包括SVM、径向基函数前向型神经网络(RBF)、反馈型神经网络(El-man)及3层神经网络(ANN),分别进行滑坡变形时序的建模与预测。对4种方法的预测结果再采用线性组合方法(简单平均、方差倒数、改进最优加权系数)和非线性组合方法(SVM、BP神经网络)进行组合预测及方法性能的比较。结果表明,非线性组合的平均相对误差明显低于线性组合方法,且对滑坡这种具有一定程度不确定性的非线性系统,SVM的非线性组合方法有着更理想的预测效果,7步外推预测准确度控制在89.3%以上。而与BP神经网络非线性组合相比,SVM也具有更好的稳健性和泛化性。     

基于支持向量机的隧道变形预测方法

提出一种基于支持向量机的隧道变形预测新方法。支持向量机基于结构风险最小化,具有更强的泛化能力,是一个凸二次优化问题,能够保证所得解就是全局最优解。采用RBF和Bspline核函数学习某隧道前30天的收敛监测数据,用学习得到的最佳支持向量机网络预测30天后隧道的收敛。结果表明,支持向量机回归和预测的最大相对误差不超过6 5%。通过对比发现,Bspline核函数比RBF核函数效果更好。     

基于最小二乘支持向量机的轨道电路故障诊断方法

为提高轨道电路故障处理效率和正确率,对轨道电路的多故障诊断方法进行研究。建立基于最小二乘支持向量机的轨道电路故障诊断模型,用某轨道电路实测数据进行训练和测试,选择基于BP神经网络的故障诊断方法进行对比。结果表明:基于最小二乘支持向量机的轨道电路故障诊断方法能有效实现轨道电路5种故障的诊断,且具有更快的运算速度。与BP神经网络故障诊断方法比较,故障诊断正确率提高了17.14%,运算时间减少2/3。     

基于支持向量机的牵引供电系统高阻接地故障诊断方法

提出一种利用牵引供电系统电流信号、基于支持向量机(SVM)的牵引网高阻接地故障诊断方法。针对不同位置接地阻抗故障的电流信号,先采用希尔伯特变换和伯格谱估计提取时频特征量和频谱特征量,再构造SVM二分类器,利用交叉验证法对SVM二分类器进行参数优化,形成一个牵引网高阻接地故障分类器。将特征向量组送入SVM分类器中进行处理,能诊断出牵引网高阻接地故障。仿真验证结果表明,该方法在小样本情况下具有较高的分辨正确率。     

基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

动车组速度信号耦合干扰问题的研究

文章主要研究了某型动车组在调试时出现牵引电机速度传感器干扰故障及牵引测试失败问题，故障表现为变流器静态启动测试或动态运行过程中闪报速度传感器故障，严重情况下需切除变流器维持动车组运行。通过对牵引电机速度传感器、变流器屏蔽线缆内部屏蔽接地、变流器速度信号软件处理逻辑等进行排查，确认故障原因为牵引电机速度传感器信号受到系统产生的随机耦合干扰。该故障是多设备在整车接地条件下耦合产生的综合性故障，在故障的排查过程中，采取对变流器内部多处接地进行优化整改。通过逐步实施整改策略，故障发生的概率逐渐减小，最终所有的接地处理优化措施实施后速度信号波形较之前有较大改善，毛刺等干扰信号大幅减少，基本不再报出故障。同时，针对此类接地耦合故障问题，除了对所影响系统进行良好的屏蔽层接地处理措施外，为避免该问题再次发生，采用了优化系统软件滤波方法滤除干扰信号，防止信号失真。     

基于PHM的高速铁路牵引电机滚动轴承健康状态预测

针对高速铁路牵引电机滚动轴承健康状态预测问题,提出了基于深度堆叠去噪自编码器累积(DSDAE)和时滞最小二乘支持向量机(TDLSSVM)的预测方法。在提取高速铁路牵引电机滚动轴承健康状态的多种特征后,用深度堆叠去噪自编码器进行特征降维,并累积计算得到相关的健康指标。将健康指标作为训练数据用以构建时滞最小二乘支持向量机(TDSVR)模型,通过对健康指标的预测实现对健康状态进行评估。在公开数据集上做了DSDAE与TDSVR、累积马氏距离(MDCUSUM)与TDSVR、DSDAE与TDLSSVM和MDCUSUM与TDLSSVM四种方案的对比实验;在高速铁路某型号的牵引电机滚动轴承数据集上做了DSDAE与TDLSSVM方案的实验。通过对预测指标的分析可知,DSDAE与TDLSSVM方案可以很好地预测滚动轴承的健康状态变化趋势。     

动车组牵引系统接地故障分析及优化研究

动车组牵引系统接地故障为动车组主供电系统最为典型的故障之一,且对动车组安全运营影响较大,文中通过对某型动车组牵引系统接地故障进行分析,查找各方面因素,并从相关部件的设计结构、工艺方案及故障诊断逻辑等方面研究优化措施,降低并预防接地故障的发生。     

基于独立成分分析和支持向量机的交流电机故障诊断

研究了一种结合独立成分分析和支持向量机的方法在交流电机故障诊断中的应用.首先通过检测各种电机振动和定子电流信号得到数据,利用独立成分分析对交流电机原始数据进行特征提取和压缩;主成分分析也同时应用于独立成分分析特征提取过程中,在完成故障识别时应用了支持向量机技术,采用的是连续最小优化算法和基于支持向量机分类的多类统计分类方法.同时分类过程选择了典型的核函数,以达到诊断电机故障的目的.试验分析的结果表明,该方法是一种简单而有效的方法.     

列车仿真技术中基于属性矩阵图的故障分析决策树算法

根据数据挖掘技术分析列车运行大数据的特点,提出了基于属性矩阵图的决策树算法。结合某列车仿真数据,详细阐述了计算属性度量、构建属性矩阵图模型及构造决策树的具体过程。由该决策树算法的故障分析结果可见,基于属性矩阵图决策树算法能准确地对故障问题进行分类归纳,为故障预测提供可靠依据。     

浅谈SS3型电力机车牵引电机接地故障的几种判别和应急处理方法

机车在运行途中发生主回路接地跳主断路器,是SS3型电力机车较为常见的故障之一,而机车牵引电机工作环境较为恶劣,是主回路中最为薄弱的环节,且易发生接地,下而着重讨论牵引电机的接地故障。 1牵引电机接地的几种情况 1.1牵引电机环火,引弧装置向机壳放电接地 SS3型电力机车牵引电机环火是长期以来未能得到彻底解决的惯性故障,为减轻环火对牵引电机的破坏程度,从1989年起株洲电力机车工厂生产的ZQ800-1型牵引电机加装了引弧装置,环火瞬间引弧装置放电间隙将电弧引向机壳,从而引起主电路接地跳     

一种基于改进FP-Growth算法的动车组故障预测研究

动车组的故障预测和健康管理是目前的研究热点,其中,故障预测的关键是寻找动车组故障信息和状态信息之间的关联关系。频繁模式增长(FP-Growth)算法是关联规则挖掘中的经典算法之一,用来挖掘频繁项集。针对动车组故障数据提出了一种改进的FP-Growth(IFP-Growth,Improved FP-Growth)算法,采用先序遍历FP-tree的方法产生条件模式基。实验结果表明,IFP-Growth算法能够有效提高动车组故障数据挖掘的效率,并且能够有效地挖掘动车组故障信息和状态信息之间的关联关系。