基于振动信号的轴承寿命预测

介绍了2012年IEEE PHM挑战赛关于轴承剩余使用寿命预测问题的专业类获奖算法,包括通过包络分析提取轴承特征频率法、PCA故障检测法以及在已知和未知轴承故障情况下预测剩余寿命的两种策略.     

基于GA-岭回归分析的机车车轮踏面磨耗量预测算法研究

车轮踏面磨耗量是评价机车运行安全的重要参数，但多数车轮运维现场的条件尚不能对踏面磨耗量及时、准确地进行监测。为了解决上述问题，文章提出了基于“GA-岭回归”分析的机车车轮踏面磨耗量预测算法（简称“GA-岭回归”预测算法）。“GA-岭回归”预测算法分为数据前处理和数据预测分析2部分。对于数据前处理，首先依据不同的测量方式对采集到的踏面磨耗量数据进行分类，基于车轮的实际运维情况，分析不同类型数据的特点；随后以镟修周期作为数据划分标准，对分类后的数据进行切片处理；最后采用相关标准和主成分分析法对相应的动态测量数据进行清洗、降噪。对于数据预测分析，首先划分数据集，进行数据整合，创建训练集数据的时间滑动窗口；随后采用岭回归算法对训练集数据进行回归分析训练，并结合遗传算法和验证集数据进行模型参数的调优，以提高预测准确性。基于测试集数据，分别采用传统预测算法、岭回归线性预测算法和“GA-岭回归”预测算法，对3类预测算法的预测效果进行对比分析；随后采用相同的测试方法，扩大车轮样本的数量，继续进行预测效果的对比分析。测试结果表明，采用“GA-岭回归”预测算法的预测误差和误差标准差均相对较低。经分析可知，...     

采用机器学习方法预测连续刚构桥预拱度研究

为在连续刚构桥悬臂浇筑施工阶段快速预测各悬浇段预拱度，收集土木垴大桥、庄窝大桥及南石大桥各悬臂浇筑段的预拱度及影响因素构建高维数据集，采用缺失值填充、归一化等数据预处理技术对数据集进行处理，基于梯度提升回归、极端梯度提升、支持向量机回归、随机森林及决策树5种机器学习算法，建立连续刚构桥预拱度预测模型。应用训练好的模型对西郊大桥悬浇段进行预测。结果表明：极端梯度提升在边跨预测效果最好，平均绝对误差0.97 mm、均方根误差1.28 mm,训练集确定性系数0.998,测试集确定性系数0.944,对西郊大桥边跨预测最大误差为3.9 mm;梯度提升回归在中跨预拱度预测效果最好，平均绝对误差1.4 mm、均方根误差1.63 mm,训练集确定性系数0.995,测试集确定性系数0.989,对西郊大桥中跨预测最大误差3.2 mm。研究成果满足施工要求，未来可进一步扩充数据集，提高预测精度。     

基于预紧量变化的列车牵引电机轴承寿命预测方法

为预测轴承的剩余工作寿命,分析了列车牵引电机轴承预紧量对轴承结构和动力学特征的影响,针对单个轴承个体,从轴承的各个寿命阶段研究了轴承可能发生的失效原因以及对应的轴承预紧量特征。利用ANSYS动力学仿真分析得出轴承的固有频率会随着轴承预紧量的减小而降低。结合预紧量与轴承接触应力的关系,提出了基于预紧量变化的轴承寿命预测方法。监测轴承振动频率来判断轴承预紧量的变化,可以对牵引电机轴承个体进行寿命预测。     

动车组牵引电机轴承剩余寿命预测方法研究

根据我国高速铁路动车组的实际运行和维修情况,以动车组关键部件剩余寿命预测为目的,对车地数据进行研究,对牵引电机轴承的温度数据进行特征提取,并根据大量历史车地数据,对牵引电机轴承进行剩余寿命预测。使用面向过程分析的思想和用特征值构建盒图的方法,达到预测动车牵引电机轴承剩余寿命的目的。研究的结果可以作为提高运维效率,修程修制优化的依据。     

基于注意力机制的CNN-LSTM剩余寿命预测研究

机械设备剩余寿命的准确预测可以降低昂贵的维护费用,提高机械设备的安全性。随着深度学习的发展以及注意力机制被广泛应用于各个领域,基于数据驱动的剩余寿命预测方法为机械设备寿命预测提供了众多的方法。文章提出了一种基于注意力机制的CNN-LSTM剩余寿命预测方法,该方法利用不同的注意力机制包括通道注意力、CBAM机制和自注意力等进行剩余寿命预测试验。注意力机制可以向CNN-LSTM提取的特征信息分配不同的权重,突出关键的特征信息,过滤无用信息,进而更准确地表示设备的退化特征信息,最终得到设备的剩余寿命。文章对NASA发动机数据集进行了剩余寿命预测试验,同时研究了不同注意力机制影响,试验结果表明,基于注意力机制的方法可以有效地进行剩余寿命预测,所提方法具有一定的应用价值。     

基于数据驱动的机车车轮剩余寿命预测技术

为优化机车车轮运维管理，提高机车车轮剩余寿命的预测精度和稳定性，提出基于数据驱动的机车车轮剩余寿命预测模型。依托机车车轮全寿命周期的造修和运维数据，分析影响车轮服役寿命的主要因素，包括轮径、历史和环境影响因素。构建基于数据驱动的机车车轮剩余寿命预测模型，模型以轮径区间作为寿命计算单元，并引入轮径历史和环境损失率，综合考虑3类因素对寿命预测的影响。现场测试中，因某轮径区间的数据不符合计算要求，导致轮径环境损失率存在数据缺失问题，于是采用多层感知机算法对缺失项进行预测和补充。基于测试集中的车轮旋修数据，对比数据驱动预测算法和传统预测算法的预测效果。由结果可知，数据驱动预测算法的预测精度和稳定性均优于传统预测算法。     

基于地铁历史数据的PCA-RF分时段客流预测方法

地铁客流预测可以为轨道交通的相关决策提供辅助支持,在现代交通运输领域具有十分重要的现实意义。提出一种基于地铁历史数据的分时段客流预测方法(PCA-RF),通过对影响客流的因素进行抽取分析,从中提取有关客流的特征并用主成分分析法(PCA)赋予其不同的影响权值,随后用随机森林算法(RF)进行回归计算。通过实例对比说明PCA-RF相对于传统决策树方法具有较高的预测精度。     

基于温振融合与深度自编码器的高速动车组轴箱轴承故障诊断模型

因物理监测信息利用不足，动车组轴箱轴承故障诊断存在准确率较低问题。首先，利用高速动车组轴箱轴承试验台获取丰富数据，融合温度特征数据与振动特征数据，并使用主成分分析法进行融合与降维；然后，建立基于温振融合与DAE(深度自编码器)的轴箱轴承故障诊断模型，并通过深度自编码器进行模型训练；最后，用高速动车组轴箱轴承试验台测试集的数据进行模型验证。验证结果表明：与其他对比模型相比，基于温振融合与DAE的轴箱轴承故障诊断模型的诊断准确率更高。     

基于随机森林的铁路冷藏运输需求预测

为提升铁路冷藏运输效率和实现铁路冷藏运输资源的合理配置,推进铁路冷藏运输的快速发展,对铁路冷藏运输需求进行预测尤为重要。在分析铁路冷藏运输影响因素基础上,利用Spearman相关性分析进行特征筛选。结合Spearman相关性分析结果,构建基于随机森林的铁路冷藏运输需求预测模型,并与BP神经网络,AdaBoost,Bagging和未经特征筛选的随机森林预测模型的预测结果进行对比分析。研究结果表明：经Spearman相关性分析进行特征筛选后构建的随机森林回归预测模型的平均绝对误差和拟合优度值均优于其他模型,均方根误差值仅高于BP神经网络。随机森林回归预测模型的泛化能力较好,且特征筛选能够提高模型的预测精度。     

基于随机森林的轨道车辆门亚健康诊断应用研究

提出一种基于随机森林算法的轨道车辆门亚健康诊断方法,以实现对轨道车辆门对中异常、缓冲头磨损等亚健康状态的识别。该方法对一组试验数据提取特征值,生成类型标签,利用随机森林算法,经过训练得到亚健康诊断模型。再利用另一组试验数据对模型进行测试,调整随机森林训练模型参数,以预测准确率为评判标准,选取最优参数,确定最优模型。最后将模型用于实际运营的地铁车辆门,验证该方法的有效性和可行性。根据诊断规则推送车辆门亚健康预警信息,为地铁运维提供参考。     

基于数据驱动的地下车站 能耗预测模型对比研究

对比了最小二乘多元线性回归、岭回归、Lasso 回归、随机森林、XGBoost 在地下车站通风空调、垂直 交通能耗预测领域的应用效果。研究发现,对于地下车站通风空调和垂直交通能耗预测,各算法的均方根误差 的变异系数(CV-RMSE)均在 10%以下,可达到工程应用要求的精度。其中,XGBoost 算法在通风空调能耗预测 中的 CV-RMSE 为 5.1%,在垂直交通能耗预测中的 CV-RMSE 为 5.4%,预测效果明显优于其他算法。从计算 成本来看,最小二乘回归、岭回归、Lasso 回归算法计算成本较低,随机森林和 XGBoost 模型调参复杂、计算 成本较高。对比常用的数据驱动算法在地下车站能耗预测中的预测精度和计算成本,为地下车站模型的搭建提 供算法参考。     

基于梯度提升的城市轨道交通客流量预测分析

通过分析城市轨道交通日均客流及相关影响因素的变化特征,以多种因素作为数据集特征,采用梯度提升法和随机森林的混合模型对日均客流量进行预测。以北京地铁客流数据作为研究对象,对模型进行了试验。试验结果表明,基于梯度提升和随机森林的混合模型相较于常规ARIMA模型和随机森林模型具有更好的适应性,在常态和特殊情况下均能取得可接受的预测效果。     

基于改进RF-XGBoost算法的列车运行晚点预测研究

为度量列车晚点造成的影响，将传统随机森林(RF)与极端梯度提升树(XGBoost)相结合，采用改进的RF-XGBoost算法对高铁列车运行晚点进行预测。以济青高铁为例，将其原始数据预处理并根据特征重要度排序，选取前7个参数组成晚点特征自变量，以预测到站晚点时间为因变量。将列车实际到达时间等7个特征变量输入RF-XGBoost预测模型中参与训练。前200次列车的晚点预测结果表明：预测晚点与实际晚点时间的曲线变化趋势大致相同。相较于XGBoost算法，本文提出的方法MAE和RMSE值分别降低60.5%与44.8%, R2值提高14.6%,且在允许预测误差5 min的范围内，精度达到97.78%,此方法拥有更优的晚点时长预测性能，对铁路实时调度与提升客运质量至关重要。     

基于风险指数的CTCS-3级列控系统设备剩余寿命预测

针对CTCS-3级列控系统设备剩余寿命受不确定因素影响难以预测的问题,提出一种基于风险指数的预测方法。首先,构建基于模糊AHP-DEMATEL法的CTCS-3级列控系统设备风险指数模型,对其设备进行风险状态评估,评估值即为风险指数RI;其次,通过建立RI的随机模糊分布函数和曲线图,确定了RI与设备运行时间的关系;在此基础上,建立了基于不确定理论的CTCS-3级列控系统设备剩余寿命预测模型;最后,采用随机模糊模拟技术对该模型进行求解。实例验证表明,基于风险指数的CTCS-3级列控系统设备剩余寿命预测方法,可以有效地预测其寿命和剩余寿命,为设备的优先维护提供理论依据。     

基于XGBoost算法的盾构施工地面沉降预测方法

盾构施工过程中，现有地面沉降监测手段与方法难以满足高效安全施工要求，因此，针对盾构掘进过程中难以精确预测地面沉降问题，提出一种地面沉降量的预测方法。首先，将收集的相关数据进行预处理，预处理包含了缺失值处理、异常值处理和无量纲化处理等，预处理可以提高数据质量，从而提升降低模型训练复杂度、提升精度；然后，把处理好的数据分为训练集和测试集，对划分好的数据基于随机森林构建地面沉降影响因素分析模型，分别得出盾构机前方0环处、3环处、5环处、10环处、15环处、20环处以及盾构机后方-5环处、-10环处、-15环处、-20环处的盾构掘进参数对地面沉降的差异化影响因素及其重要度分数，并根据每环对应的不同影响因素集，进一步构建基于XGBoost地面沉降预测模型；最后，将与地面沉降相关的影响因素具体数据作为输入，多监测点的沉降量作为输出，最终得到距开挖面不同距离处的多点地面沉降量。该方法实现了地面沉降量准确预测，同时具备建模简单、准确率高等优点，对盾构施工工程及风险管控具有一定参考价值。     

影响逆变器供电驱动装置轴承可靠性的关键问题研究

针对逆变器供电驱动装置轴承过早失效问题，文中综合运用力学、电学和润滑等相关理论，提出了影响逆变器供电驱动装置轴承过早失效及可靠性的4个方面关键因素，并提出了电蚀应力修正系数用于解决电蚀应力下轴承寿命远低于理论计算寿命的问题。影响轴承可靠性的4个方面关键因素分别为：力学冲击耦合电蚀作用、电流路径与类型、轴承疲劳寿命计算模型及计算标准体系、轴承弹性动力润滑状态方程。研究发现：力学冲击耦合电蚀应力可降低轴承寿命至理论计算寿命的16%以下；驱动装置存在3种电流路径和7种轴承电流类型，轴承在其电流密度超过0.1 A/mm²容易发生电蚀；4种轴承寿命模型对轴承可靠性计算影响较大，不同应力下计算结果会相差10倍以上；不同润滑模型会直接影响润滑油膜厚度计算，进而对电蚀程度评估产生影响。另外，电蚀应力修正系数a_electric估计值取0.16，将其应用于ISO 281标准中能有效考虑电蚀应力对轴承过早失效的影响，为逆变器供电驱动装置轴承故障分析和可靠性提供借鉴。     

基于多阶段特征优选的高速铁路列车晚点预测模型

为克服大规模高维数据集不相关和冗余信息对列车晚点预测模型性能的影响，提出一种融合多阶段（MS）特征优选方法和改进深度神经网络（IDNN）模型的高速铁路列车晚点预测模型（简称MS-IDNN模型）。首先，利用MS特征优选方法，基于列车运行实绩提取影响列车晚点的相关特征，构建初始特征集，并对其进行数据清洗和特征优选，生成最优特征子集；其次，将列车晚点特征映射为IDNN模型的神经元，采取全连接方式提取特征间的交互关系，并叠加多个浅层神经网络以克服深度神经网络反向传播过程中梯度消失的缺陷，实现列车到达晚点的精准预测；最后，以武广高速铁路列车运行实绩为例，验证MS-IDNN模型的有效性。结果表明：相比初始特征集，构建得到的最优特征子集特征维度降低了54.29%；相比6种基线模型，MS-IDNN模型的平均绝对误差和均方根误差分别至少降低4.85%和8.97%，在沿线至少66.66%的车站中表现出更高的预测性能；MS-IDNN模型能够有效剔除数据集中的不相关和冗余信息，提升列车晚点预测精度。     

结合PSO-OEWOA和MKSVDD的轨道车辆轴承性能退化评估

为了有效评估轨道车辆轴承性能退化程度,提出一种结合反向指数的鲸鱼粒子群混合算法(PSO-OEWOA)与多核支持向量数据描述(MKSVDD)相结合的滚动轴承性能退化评估方法。针对滚动轴承样本数据结构复杂,样本数据分布不均匀导致SVDD分类不够准确的问题,对SVDD模型的核函数进行改进,构造多核核函数提高支持向量数据描述的学习能力和泛化能力;然后针对MKSVDD中多参数选择盲目的问题,结合粒子群算法收敛速度快和鲸鱼算法探索能力强的优点,利用反向指数的鲸鱼算法迭代融合PSO算法对MKSVDD的参数进行寻优,从而避免优化算法早熟收敛和陷入局部最优。将轴承正常状态样本特征向量看作训练数据,同时将MKSVDD模型的准确率作为PSO-OEWOA的适应度函数,构建PSOOEWOA-MKSVDD评估模型,利用正常数据训练的MKSVDD的超球体半径作为健康报警阈值确定轴承的退化。通过轴承全寿命数据对模型进行训练和测试。研究结果表明：MKSVDD模型在轴承初始性能退化时评估敏感性比SVDD模型更优,而且相较于SVDD模型,在中度性能退化时的稳定性也更优。最后对采集的牵引电机轴承的振动数据进行退化分析,结果与...     

武广高速铁路列车晚点恢复时间预测的随机森林模型

基于列车运行实绩的列车晚点恢复模型是铁路晚点管理的重要内容,是运行图优化和行车指挥的理论基础和依据。为了研究高速列车初始晚点恢复的机理,进行初始晚点恢复预测,本文以武广高速铁路列车运行实绩数据为研究基础,将列车在初始晚点站的晚点时间(PD)、列车晚点后经停各站的总停站缓冲时间(TD)、列车晚点后经停各区间的总区间缓冲时间(RB),以及标识列车是否晚点通过株洲西—长沙南区间的0-1变量(ZC)作为自变量,运用R语言编程建立了以晚点恢复时间(RT)为因变量的高速列车初始晚点恢复随机森林回归模型。对275个测试集数据的预测结果表明:模型允许误差在3min情况下,模型的预测精度能达到90%以上。随机森林模型与多元线性回归模型、支持向量机模型的对比表明,随机森林模型具有最优的预测精度。