排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
轴承温度预测是保障高速列车安全运行的重要手段。考虑到GM(1,1)模型建模机理存在着一定的缺陷,以及对建模数据有一定的单调性要求,对呈现较大波动的数据序列预测结果不太理想的问题。在GM(1,1)预测模型的基础上,提出了一种粒子群算法(PSO)优化的灰色预测方法。利用多项式对GM(1,1)模型进行修正,重构灰色模型的时间响应序列,再利用粒子群算法对重构模型进行求解,并据此构建了一种高速列车轴温预测模型。以高速列车实际轴温数据对模型进行验证,验证结果表明:模型相较于GM(1,1)模型的预测精度有明显的提高,其中5min预测的平均绝对误差由6℃降低到5℃,降幅为16.7%。平均相对误差由9.1%降到了7.8%,降幅为14.3%;最大绝对误差由20℃降低到18.6℃,降幅为7%。预测误差的方差由24.6降低到了20.6,降幅为16.3%,表明误差分布更加集中。 相似文献
2.
轨道车辆轴承温度现有异常检测方法的阈值判别指标受到路况、环境等多项外因干扰,并且基于异常检测目的的预测方法需要对轴承进行逐一建模,模型训练耗时且多模型维护困难.针对上述问题,提出一种基于多任务学习的轨道车辆轴承异常检测方法.首先考虑到数据分布在正常与异常时存在差异,把正常工况下的关联轴承温度作为模型输入构建轴承温度预测模型,当实际温度异常时预测值与实际值关联性呈现异常变化,因此该模型具有异常检测功能.其次,考虑到循环神经网络建模时进行递归运算消耗大量时间,引入多头自注意力机制,所构建的模型能够同时对一轴上的轴箱、齿轮箱、电机3类共9个轴承温度进行同时检测.最后,采用极大似然估计方法,将点预测转换为置信区间预测,解释了预测结果的意义.在正常和故障数据上分别对模型进行验证,结果证明本文所提方法具有准确的9个轴承和异常检测能力,并与单任务模型相比能大幅度减少建模时间. 相似文献
1