基于贝叶斯网络的列控车载设备故障诊断方法

列控车载设备故障排查与维护多依赖于人员经验,存在一定的片面性且效率较低。提出一种基于贝叶斯网络的列控车载设备故障智能诊断方法,基于历史故障数据得到故障征兆,利用粗糙集理论对故障征兆进行属性约简,降低训练模型的复杂度;将专家知识与故障数据训练相结合,改进贝叶斯网络模型,并将故障征兆关联关系融入模型中。以武广线列控故障数据为例,验证该模型的诊断效果。该方法对提升列控系统故障诊断的智能化水平具有借鉴意义。     

基于 SSA-SVR 模型的城市轨道 交通短时进站客流预测

针对现有城市轨道交通短时客流量预测单一模型可能存在预测不稳定的问题,提出一种基于奇异谱分析 (singular spectrum analysis,SSA)和支持向量回归(SVR)相组合的预测模型。该组合模型利用奇异谱分析(SSA)将轨 道交通原始时间序列客流数据进行分解和重构,对重构后的时间序列按奇异值从大到小进行排序,得到含有原始 时间序列数据主要信息成分的重构序列,将重构后的时间序列作为支持向量回归模型(SVR)的输入条件,最后进 行各站点的短时进站客流预测。采集 2015 年 11 月北京市全网的城市轨道交通进站客流数据,对提出的短时客流 预测模型进行验证和对比分析。结果表明,组合模型预测精度相比 ARIMA、SVR、CNN-LSTM 和 T-GCN 模型具 有更高的预测精度和更稳定的预测表现,具有一定的实际意义。     

基于仿真试验和BOA-VMD的轴箱轴承故障特征提取算法研究

针对城轨列车运行过程中轴箱轴承故障难以发现的问题，提出一种利用蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)对变分模态分解(Variational Mode Decomposition,VMD）参数进行优化的轴承故障特征提取方法。首先构建基于轴承-车辆刚柔耦合的轴承故障动力学模型，提取轮轨激扰和轴承故障情况下的轴箱振动信号；然后利用蝴蝶优化算法对轴箱振动信号的VMD模态分量数和二次惩罚系数进行寻优，确定最佳参数组合；最后利用已确定的最佳参数对轴承振动信号进行VMD分解，得到不同本征模态分量(Intrinsic Mode Function,IMF)，并对最佳模态分量信号进行包络分析，识别到轴承故障时的特征频率。试验分析表明，基于优化参数的VMD分析方法能够有效提取轴承故障特征频率，通过经验模态分解(Empirical Mode Decomposition,EMD)分析方法对比，可以发现文章提出的分析方法效果更加有效。     

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。     

基于混合方法的风速预测模型研究

为实现铁路沿线风速的高精度预报,建立若干基于混合方法的预测模型并进行性能比较。采用小波分解(WD)和经验模态分解(EMD)将原始风速序列平稳化,采用神经网络方法(BP, ANFIS和NAR)进行预测,形成6种混合模型:WD-BP,WD-ANFIS,WD-NAR,EMD-BP,EMD-ANFIS和EMD-NAR。引入基于单一方法的预测模型及时间序列模型ARIMA作为对照组,以平均绝对误差、平均绝对百分比误差、均方根误差比较各模型预测精度。研究结果表明:混合模型的预测性能优于单一模型;单一模型中,ARIMA的预测性能优于神经网络模型;混合模型中,WD-ANFIS的预测精度最高。     

基于DRPP的列控车载设备测试序列生成方法

在列控车载设备功能场景的测试序列生成过程中,针对不能充分利用场景以外子序列衔接关系的问题,提出一种基于有向乡村邮路问题的测试序列优化生成方法。将列控车载设备所有功能场景的子序列构建成一个强连通有向图模型,并根据覆盖的功能场景构建需求弧集。利用有下界容量网络最小费用可行流算法,实现以最小成本构建包含需求弧集的欧拉图,再利用Hierholzer算法生成测试序列。以CTCS-2级列控车载设备的功能场景为例并相比于现有方法。结果表明：所述方法能够充分利用所有子序列的衔接关系生成覆盖指定功能场景的最优测试序列,等级转换和模式转换场景测试序列的成本分别降低4.2%和1.4%。     

基于模型预测方法的高速动车组空簧压力低故障预测研究

高速动车组发生空气弹簧压力低故障后,车辆自动限速运行,需要停车检查或车辆入库后根据故障信息来推断故障原因。为了能在故障发生前进行预判,文章提出了基于模型的预测方法。模型以车载无线传输装置记录的历史故障数据和健康管理系统报表数据为故障预测的数据来源,通过分析静态和动态数据确认模型关联参数,从阈值、差值、空簧压力下降速率3个维度搭建预测模型,并通过实车跟踪,成功验证了模型的有效性。     

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。     

地铁闸机扇门机构故障时间序列预测研究

基于CNN+ LSTM混合神经网络构建故障时间序列预测模型，利用某型号地铁闸机扇门机构的故障数据进行实例分析，并与ARIMA、CNN和LSTM 3种单一预测模型对比。结果表明:CNN+LSTM混合神经网络模型的预测准确性较高，具有良好应用前景，研究成果可用于支持地铁闸机维修计划的制定和优化。     

基于贝叶斯网络的高铁信号系统车载设备故障诊断方法的研究

考虑到高铁车载设备故障诊断的不确定性和复杂性,本文提出了基于贝叶斯网络的车载设备故障诊断系统。在建立贝叶斯网络结构的过程中,基于充分利用现场数据与先验知识的思想,本文通过融合不同方法(K2算法,MCMC算法和专家知识)得到最优的贝叶斯网络结构。最后,本文进行了实例分析与模型验证,并与KNN算法、BP神经网络算法进行比较,测试结果表明该模型的正确性和有效性。文中的验证数据来自武广高铁车载设备故障追踪表。     

基于EMD-PSO-ELM的基坑变形时变序列预测研究

变形是造成基坑事故的最主要因素,为准确分析变形特性,实现变形的精准动态预测,保证基坑的安全施工。提出一种将经验模态分解(EMD)、粒子群算法(PSO)和极限学习机(ELM)组合的深基坑多维度时变预测模型。经EMD将基坑变形时变序列进行分解,获得多尺度本征模态函数(IMF);采用PSO-ELM对各IMF时变序列进行预测,等权叠加各预测值,得到模型最终预测结果,同时利用PSO-ELM模型对未经处理的时变序列进行预测。以南宁市某深基坑为例,结果表明:经EMD分解的模型预测相对误差为0.22%0.42%,平均相对误差值仅为0.32%;未经EMD分解的模型预测相对误差为0.31%0.75%,平均相对误差值为0.64%,经EMD分解后模型预测精度明显高于未经分解的模型精度,能较好地应用于非平稳时变预测,为深基坑变形预测提供一种新的方法。     

基于 VMD-GRU 的城市轨道交通短时客流预测

精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度, 基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合 模型预测方法,即 VMD-GRU 神经网络预测模型,由变分模态分解和门控循环单元组合而成。变分模态分解的 作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行 客流预测。经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好。与 GRU 相比,VMD-GRU 在 15、30 和 60 min 的时间粒度下,预测准确度分别提升 7.57%,16.93%,18.47%。该模型可为地铁运营管理部 门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统 的服务水平。     

基于改进VMD的高速动车组轴箱轴承故障识别方法

针对高速动车组运行工况复杂、轴箱轴承故障率较高、背底噪声强和故障识别难度大的情况，提出基于改进变分模态分解（VMD）的动车组轴箱轴承故障识别方法。首先，运用能量差法和合成谱峭度法计算最优的变分模态分解关键参数；其次，基于相关系数、谱峭度及奇异值构建的评价参数，选取用于重构故障信号的本征模态分量；最后，对重构后的信号进行傅里叶变换，实现在强背底噪声情况下的故障特征频率识别，并通过模拟数据和真实动车组轴箱轴承试验数据对提出的方法进行验证。结果表明：提出的方法能够有效地在强背底噪声情况下重构带有预设的40或200 Hz故障特征频率的信号，重构后的信号最大程度保留了轴承的故障信息；故障特征频率识别效果好，能够为保障高速动车组的安全运行提供技术支撑。     

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。     

盾构竖向姿态的组合预测模型研究

由于盾构施工过程中盾构姿态演化的复杂性,单一预测模型很难实现较为精准的预测,提出了一种基于BP神经网络和支持向量回归(Support Vector Regression,SVR)的盾构竖向姿态组合预测模型.首先,利用经验模态分解将盾构竖向姿态时间序列分解为有限个固有模态分量和剩余分量;其次,在分别建立不同分量的粒子群优化(Particle Swarm Optimization,PSO)的BP神经网络与SVR预测模型后,将其预测结果分别进行叠加;最后,采用最优加权法对两个模型赋权以得到最终预测结果.为验证所提出模型的实践适用性,将其应用至成都地铁8号线某盾构区间中,并与PSO-BP和PSO-SVR模型的预测结果进行对比.研究结果表明:所提出模型的泛化能力更强、准确性更高,可为盾构竖向姿态预测提供一定的借鉴和参考.     

客货共线无砟轨道平顺状态预测模型

客货共线无砟轨道的轨道质量指数(TQI)具有随时间长期缓慢变化并伴随平稳波动的特点,而现有的预测模型难以预测这种变化。基于小波和时间序列分析预测方法,提出ARMA-BP神经网络和ARMA-SVR预测模型。通过小波分析将TQI时间序列分解为高频和低频2个部分,采用ARMA模型对高频部分建模,分别采用BP神经网络和支持向量回归SVR模型对低频部分建模,最后对高频和低频进行综合预测。此方法可根据具体情况对具有不同特性的TQI时间序列进行针对性建模,提高预测精度。运用此方法对包西线和太中线10个无砟轨道区段TQI时间序列进行预测,结果表明:ARMA-BP神经网络与ARMA-SVR的建模精度平均值分别为98.1%和98.5%,后验差分别为0.31和0.21,均达到1级;前者对已知数据的拟合精度高,而后者对未知数据预测能力较强、泛化能力更突出。     

关于列控车载设备数据的建议

本文就列控车栽设备数据存在的不足进行了分析并提出了解决问题的方法：针对列控车载设备数据转储方式存在的缺点，采用在USB接口使用u盘进行数据的转储来克服；而列控车载设备数据分析处理系统存在的不足，则采用机车信号远程监测装置来解决。从而提高了列控车载设备数据转储的安全与完整性和实现对运行中的列控车载设备的状态修。     

长大山岭隧道涌水量的BP神经网络时间序列预测模型

基于BP神经网络时间序列的隧道涌水量预测模型不必考虑隧道涌水量的影响因素及其关系,而是将隧道涌水量的时间序列做归一化处理,作为模型的输入输出变量,通过历史数据和所建立的预测模型来预测隧道涌水量。以一隧道1999年6月—2000年6月涌水数据序列为例,进行了基于BP神经网络时间序列模型的隧道涌水量预测,预测误差约为5.74%,满足精度要求。     

基于深度学习的城市轨道交通短时客流起讫点预测

提出了一种基于门控循环单元(GRU)神经网络的城市轨道交通短时客流OD(起讫点)预估模型。以实际数据为例,引入同期天气数据,对工作日的数据进行训练预测,并与长短期记忆(LSTM)神经网络模型进行对比。预测结果表明:相对于LSTM模型,GRU模型不仅模型简单、收敛速度明显较快,而且在预估误差和预测稳定性等方面也略优,更适于短时客流OD的快速预测。     

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。