基于最小二乘支持向量机的高速铁路路基沉降预测

高速铁路路基的施工环境复杂,沉降监测数据往往是不等时距的.鉴于最小二乘支持向量机拥有强大的非线性拟合能力,使用最小二乘支持向量机建立沉降与时间的关系函数,以等时间步长插值得到路基的等时距沉降时间序列,建立基于最小二乘支持向量机的高速铁路路基沉降预测模型.分别运用给出的预测模型和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测,并与现场实测数据对比.结果表明,短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的预测精度高,预测结果更稳定,外推预测沉降更可靠.     

高速铁路牵引供电系统PHM技术架构与方案研究

为保障高速铁路安全、稳定、高效运营维护,将故障预测与健康管理(PHM)的理念与方法应用于高速铁路牵引供电系统,开展高速铁路牵引供电系统PHM技术架构与方案研究。结合系统特点,构建高速铁路牵引供电系统PHM总体技术框架,并针对接触网系统和牵引变电所分别设计具体PHM技术方案与主要功能。     

高速动车组大数据PHM系统研究与应用

针对延长高速动车组使用寿命和提高使用效率的问题，在研究了工业大数据、故障预测与健康管理（PHM）的定义和应用、PHM相关标准以及国外PHM软件开发平台的基础上，搭建了基于大数据的车载、地面故障预测与健康管理系统一体化的功能架构并提出技术实现方案，应用动车牵引电机轴承温度健康状态模型,以牵引电机轴承温度和环境温度数据为基础,进行了实例分析。     

城市轨道交通车站高峰客流偏差研究

城市轨道交通车站设计时,大多数城市采用预测的城市高峰小时客流作为设计客流。但由于城市轨道交通车站客流的高峰出现时段与城市高峰小时不完全一致,导致某些车站设计客流偏小。为研究城市高峰小时客流与车站高峰小时客流的差异,通过引入车站高峰客流偏差系数,合理确定车站设计客流。以西安市地铁为例,运用最小二乘支持向量机建立预测车站高峰客流偏差系数的模型,得出训练集拟合优度为0.71,测试集预测平均相对误差为2.41%,模型拟合效果良好,表明最小二乘支持向量机能够很好地预测车站高峰客流偏差系数。     

机车牵引电动机动态实时分析及故障检测

结合TA0649D机车牵引电机的结构参数,首先建立了该直流电机的数学模型,设计了该电机的转速,电流双闭环系统。在此基础上,通过故障(如绕组匝间短路与对地短路)模拟,利用递棼最小二乘法计算故障发生后电机绕组电阻的变化。仿真计算结果表明,所设计的参数识别法一递推最小二乘法是有效的,具有实际应用价值。     

基于粒子群优化最小二乘支持向量机的铁路客运量预测

对于铁路客运量预测的准确度问题,本研究提出了基于粒子群(PSO)优化最小二乘支持向量机(LS-SVM)重要参数的方法。以1995—2013年的铁路客运量历史数据作为训练集,2014—2018年的客运量作为测试集,用LS-SVM进行建模和预测。针对模型中参数难以选择问题,采用PSO全局搜索方法,与神经网络和LS-SVM的预测效果作比较,仿真表明,采用PSO优化LS-SVM对铁路客运量建模与预测效果更好,精度更高。     

高速列车转向架蛇行失稳的MEEMD-LSSVM预测模型

为预测列车转向架蛇行失稳异常运动状态,提出一种改进的集总平均经验模态分解-最小二乘法支持向量机(MEEMD-LSSVM)的预测模型。以转向架正常、过渡、蛇行失稳3种状态下振动信号为研究对象,通过MEEMD对信号进行分解,再用Hilbert变换(HT)分析其时频能量特征,最后采用固有模态函数(IMF)的能量特征作为LSSVM的输入,通过识别过渡状态,预测列车蛇行失稳。试验表明,列车处于330~350km/h之间时,预测准确率为93.33%,并且MEEMD-LSSVM方法准确率和计算耗时优于EEMD-SVM方法,证明该预测模型的有效性和快速性。     

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。     

基于支持向量机与最小二乘支持向量机的闸片识别及磨耗趋势预测

针对检测动车组闸片剩余厚度的需求,设计闸片图像采集系统,通过高速相机与面阵光源的结合使用完成在线闸片图像的采集。介绍支持向量机(SVM)算法的概念,采用SVM对闸片边缘特征进行识别,进而检测剩余厚度。运用最小二乘支持向量机(LSSVM),将SVM的不等式约束变为等式约束,实现闸片剩余厚度的趋势预测。通过将LSSVM检测结果与现场人工测量结果进行对比,验证方法的可靠性。基于LSSVM算法精准预测闸片磨耗趋势,可提供更好的闸片状态修管理模式。     

基于最小二乘支持向量机的地铁弓网系统研究与仿真

提出了一种基于误差相关性的弓网系统模型,采用最小二乘支持向量机(LSSVM)方法对模型的参数进行研究探讨,并对误差相关性系数进行分析,最后利用既有线的弓网实际检测试验数据对弓网接触压力值进行仿真分析。结果表明:基于最小二乘支持向量机的弓网模型能够描述接触压力的动力学行为,具有较高的预报精度。     

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PSO-LSSVM的牵引供电系统故障诊断研究

为了提高列车运行稳定性,针对牵引供电系统故障诊断进行研究。根据牵引供电系统工作原理和特性分析故障现象与发生原因,提取用于故障诊断的特征信号;建立基于粒子群优化算法(Particle Swarm Optimization,简称PSO)优化最小二乘支持向量机(Least Squares Support Vector Machine,简称LSSVM)的故障诊断模型,并使用主成分分析(Principal Component Analysis,简称PCA)算法提取数据特征作为故障诊断模型的输入来降低输入维数;使用多种故障诊断模型进行对比分析。研究结果表明:经过PCA算法提取特征的PSO-LSSVM故障诊断模型具有较高的识别效率和识别准确性。     

基于改进GM(1,1)与WOA-LSSVM组合预测模型的轨道不平顺预测

在保障列车行车安全的前提下对轨道不平顺的发展趋势进行预测,可以提高线路维护效率。根据轨检车的历史轨检TQI数值进行分析,提出一种基于非等时距近似非齐次的GM(1,1)模型与鲸鱼算法优化的最小二乘支持向量机的组合预测模型。对非等时距GM(1,1)模型的灰作用量进行优化,并设置加权矩阵,对不同检测时间的数据赋予不同权值,建立非等时距近似非齐次的GM(1,1)模型,得到初步预测值。在此基础上,利用鲸鱼算法优化的最小二乘支持向量机(WOA-LSSVM)对残差进行修正,得到最终预测值。分别对某线上行两段线路的轨道不平顺TQI值进行预测,结果表明:该预测方法相对误差平均值分别为2. 316%和1. 67%,后验差分别为0. 093和0. 068,精度等级达到1级,实现了轨道不平顺较高精度的预测。     

轨道交通车辆转向架牵引电机滚动轴承可靠性研究

为保障轨道交通车辆转向架牵引电机滚动轴承安全、平稳、可靠地运行,提出一种基于IMF-PCA(本征模态分量-主成份分析)和WPHM(威布尔比例故障模型)相结合的轨道车辆转向架牵引电机滚动轴承(以下简称"电机轴承")可靠性评估方法。将实测采集的振动信号利用自相关系数对IMF中起主导的信息成分进行辨别,对于不同信息成分占主导的IMF分量,利用PCA将其分解为有用信息和虚假分量或噪声组成的一系列主分量。采取不同的筛选剔除方法对IMF进行筛选,将筛选保留的IMF进行重构,得到纯净、敏感的振动信号,并从中提取出能反映电机轴承状态的特征指标,将优选出的特征指标进行特征信息的加权融合。将这个融合后的特征指标作为WPHM的协变量,建立可靠性评估模型,从而实现电机轴承运行可靠性的有效评估。     

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。     

地铁列车在线监测系统在途故障预测及健康管理

介绍了一种地铁列车在线监测系统在途故障预测及健康管理,该系统可以在传统列车控制与诊断系统的基础上增加对车辆走行部(轴箱、齿轮箱、牵引电机等)工作状态的实时监测及分析,实现列车状态在途监测显示预警及健康管理。     

铁路供电故障预测与健康管理大数据平台方案研究

铁路供电故障预测与健康管理(PHM)系统是以大数据技术为核心,以供电管理信息系统、6C数据中心、SCADA系统为支撑,按照国铁集团-铁路局-供电段三级管理架构进行设计和建设的供电设备大数据分析管理平台.基于大数据框架的PHM系统涵盖针对高速铁路接触网和牵引变电所的PHM技术方案,在多时空尺度上实现铁路供电故障预测与健康指标评估,全生命周期可靠性、可用性和可维修性的可视化分析和风险评估,以及优化维修决策.本文阐述了铁路供电故障预测与健康管理大数据平台方案的基本设计原则和系统架构,并对该平台涉及的关键技术和系统重要功能进行了探讨.     

基于深度学习的高速铁路工务安全指数预测技术

高速铁路工务安全指数（HRPSI）反映了高速铁路工务故障和事故的发生状况,对其进行规律验证与预测对于高速铁路工务专业进行安全评估和预测具有非常重要的现实意义。基于高速铁路10周年工务安全指数数据,构建2种深度学习的时间序列预测模型。利用皮尔森系数预测模型的有效性证明构建2种模型的有效性。其中门控循环单元（GRU）预测方法效果更好,训练集和测试集的皮尔森系数分别为0.937 1和0.922 1,可有效预测工务安全指数变化趋势。     

基于深度高斯过程的永磁牵引电机匝间短路分级评估方法

定子绕组匝间短路是影响永磁牵引电机安全稳定运行的主要故障之一,受运行工况、供电与电机本体不平衡的影响,现有方法难以实现永磁牵引电机匝间短路在线精准评估,这成为永磁电机推广应用迫切需要解决的关键技术难题。因此,文章提出一种基于多特征融合的深度高斯过程永磁牵引电机匝间短路分级评估方法：首先通过建立永磁牵引电机匝间短路故障模型,提取电流不平衡、电流三次谐波与dq电流的二次谐波特征;然后采用一种双随机变分推断深度高斯过程（Doubly Stochastic Deep Gaussian Processes,DSDGP）方法对提取特征进行融合训练建模,实现永磁牵引电机匝间短路劣化状态在线分级评估;最后通过永磁电机匝间短路试验与现场案例进行算法验证。结果表明,文章所提方法在多特征融合条件下的评估准确率达到95%以上,相较于支持向量机（support vector machine, SVM）和反向传播神经网络（back-propagation neural, BPN）等分类方法,具有准确率高,适用于变工况、小样本的工程实际应用环境等优点,解决了永磁牵引电机匝间短路早期故障检测及故障严重程度评估的行业难...     

基于运营性能的高速铁路大跨度桥梁健康管理探讨

面向我国高速铁路大跨度桥梁结构特点和管养现状,研究提出基于运营性能的高速铁路大跨桥梁健康管理总体思路。通过高速轨检车轨道几何周期巡检结果和有砟道床捣固指数,建立基于灰度理论的捣固指数预测模型,为桥区有砟轨道线路养修提供依据。基于健康监测数据,分别引入ARMA模型、神经网络法及三分之一倍频程谱方法对桥梁结构整体状态实时预警。提出梁端伸缩装置和大吨位支座桥梁关键部位专项监测技术,构建了基于钢轨横向偏移量和伸缩装置疲劳应力变幅的梁端伸缩装置评定方法,以及基于累积位移的支座耐久性预测与评估方法。研发了基于BIM的大跨度桥梁故障预测与健康管理系统,提出了桥梁状态分层分级评估方法,融合多源数据进行历史趋势分析、故障诊断与预测,为实现高速铁路大跨度桥梁健康管理奠定了基础。