共查询到10条相似文献,搜索用时 109 毫秒
1.
轨道质量指数(TQI)在线路天窗维修中的应用 总被引:2,自引:1,他引:1
运用轨道质量指数(TQI)技术方法指导铁路线路的"天窗修",实践表明(TQI)法能提高铁路线路"天窗修"的效率和质量.阐述了轨道指数(TQI)的概念、应用现状,以及今后发展预期,为制订工务维修计划提供借鉴. 相似文献
2.
轨道质量指数(TQI,Track Quality Index)是反映高铁整体线路质量状态的重要指标,分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性,提出了一种多项特征数据的3D卷积神经网络模型,分析了TQI数据特征,抽取时间、空间、检测项数据并形成三维特征数据集,基于3D卷积神经网络算法,构建8层TQI预测模型,并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化,并利用某高铁线检测数据进行试验验证。结果表明,3D卷积神经网络模型可较好的预测高铁线路状态变化趋势,且对比于BP神经网络和2D卷积神经网络方法,平均绝对误差分别降低了41.48%、26.32%,均方差分别降低了65.42%、39.93%,证明了该方法的准确性与有效性,对于预测TQI与制定高铁线路养护维修计划具有实用价值。 相似文献
3.
4.
《铁道学报》2014,(1)
对轨道不平顺的发展趋势进行有效预测,可以提高铁路线路养护的维修效率,保障行车安全。根据轨道不平顺的发展特性,提出一种基于非等时距加权灰色理论和神经网络法的组合预测方法。该方法通过构建非等时距加权灰色预测模型,将原始TQI序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,较好地反映了时间序列对轨道不平顺预测结果的贡献。在此基础上,引入BP神经网络模型对TQI预测的残差序列进行修正,较好地克服了单一模型预测精度偏低的不足。分别对沪昆线上行两段线路的轨道不平顺进行预测,结果表明该预测方法相对误差平均值分别为2.76%和2.08%,预测结果的后验差比值分别为0.121和0.151,精度等级达到1级。 相似文献
5.
6.
轨道基础设施动态检测管理信息系统研究 总被引:1,自引:0,他引:1
传统的轨道维修管理技术和方法难以适应当前高速和重载运输发展的需要 ,“状态修”体制的推行对轨检数据的应用提出了新的要求。针对当前轨检数据应用的不足 ,《轨道基础设施动态检测信息管理系统》建立了面向全路的基础设施动态检测数据库 ,注重峰值管理和TQI管理的综合分析 ,能够准确评估轨道质量状态 ,辅助安排养护维修计划 ,使轨道动态检测资料能够更有效地应用于生产实践中 ,满足各级使用部门的需求。 相似文献
7.
通过对铁路特大桥梁设备传统的养修管理模式的总结分析,探讨了芜湖长江大桥的养修管理模式,并提出了今后我国铁路特大桥梁管理实行“管修分离”模式的改革设想。 相似文献
8.
根据我国铁路货车的现状,结合铁路货车厂修的实际情况,从技术角度分析了1993年颁布的《铁路货车厂修规程》的不足之处,提出了修改意见。 相似文献
9.
基于轨道动检数据开展的轨道不平顺预测研究,可用于指导以预防为主的养护维修作业。将改进非等时距灰色模型与粒子群优化(Particle Swarm Optimization,PSO)相结合来实现轨道质量指数(Track Quality Index,TQI)的高精度预测。在考虑TQI原始动检数据特征的基础上增加原始数据平滑优化、累加初始值优化和背景值优化等环节提出改进非等时距灰色模型。利用PSO算法的启发式搜索优势,以平滑优化参数、初始值优化参数、背景值优化参数为搜索目标,以预测平均相对误差为适应度函数,实现预测模型参数的自适应优化。在此基础上,基于优化参数计算得到拟合区间和外推区间上的TQI预测结果。选取沪昆线上行区段实测TQI数据对本文方法进行验证,并与既有TQI组合预测模型的预测结果进行了对比。研究结果表明,模型可有效捕捉TQI序列中的随机波动与实时演变趋势,在外推区间上的平均相对误差分别为2.04%和2.54%,预测性能优良;当TQI序列振荡特性显著时,本模型仍能保证预测结果的可靠性;与组合预测模型相比,该模型规避了残差修正、多算法融合等繁琐步骤,可通过有限优化环节提升预测精度,为轨... 相似文献
10.
有效预测轨道不平顺的发展趋势对铁路的养护和管理具有重要意义。根据轨道不平顺发展的趋势性和随机性,本文提出一种将非等间距灰色模型与粒子群优化支持向量机结合的预测方法。利用改进的非等间距灰色GM(1,1)模型预测轨道质量指数(TQI)序列在未来一段时间内的变化,再利用粒子群优化的支持向量机(PSVM)模型对灰色预测值进行纠正,得到较准确的TQI序列,构建出轨道不平顺变化趋势预测模型。分别对沪昆线上行两段线路的轨道不平顺进行预测,结果表明该组合模型的预测精度较高,相对误差分别低至1.03%和2.74%。 相似文献