基于小波神经网络高铁运营监测预测方法研究

以某段高段变形监测项目半年(共7期)的监测数据为例,对当前较为常用的预测方法:指数曲线法、抛物线法、Asaoka法,回归分析法、卡尔曼滤波、灰色理论、仿真分析法、BP神经网络分析法与小波神经网络进行对比分析,得出利用小波神经网络预测模型预测高铁运营沉降在收敛性、容错性、逼近能力上更有优势,预测精度更高,预测结果和实测数据更加吻合的结论。     

基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

小波-支持向量机组合算法在地铁沉降预测中的应用

采用小波分析的方法对地铁原始监测数据进行去噪处理,将得到的平稳可靠的监测数据用于建立支持向量机训练集,进行沉降预测。实际沉降数据处理和预测结果显示,小波分析方法能够准确提取监测数据中的沉降趋势性信息,W-SVM组合算法能够显著提高沉降预测的精度。     

BP-Adaboost集成学习算法在地铁施工沉降预测中的应用研究

为解决传统地铁施工沉降预测模型中沉降不随时间有序线性变化的问题,文章基于BP神经网络结合Adaboost增强学习方法构建BP-Adaboost集成学习预测算法,并将其应用于某地铁基坑施工地表沉降预测.实践表明,应用BP-Adaboost集成学习算法预测地铁施工地表沉降,不仅能够满足相关规范限值要求,而且相较于BP神经网...     

基于改进小波神经网络的IGBT时间序列预测算法研究

针对IGBT老化失效问题,提出一种基于遗传算法改进的小波神经网络时间序列预测方法。在分析IGBT失效原理的基础上,利用IGBT老化数据集,选取关断瞬时"集电极-发射极"尖峰电压为失效特征参数,采用滑动时间窗法构建训练集与测试集,然后在MATLAB中搭建遗传算法改进的小波神经网络预测模型进行预测,并与传统的小波神经网络预测模型对比分析。试验结果显示,遗传算法改进的小波神经网络预测方均误差为0.017 1,方均根误差为0.130 9,平均绝对误差为0.109 6,分别比传统小波神经网络预测模型降低了0.005 7, 0.020 0, 0.064 0,有效提升了IGBT时间预测的精度。     

基于小波神经网络模型的高铁沉降预测方法研究

小波神经网络具有自主学习能力强、结果稳定等特点,可用来解决高铁线路沉降预测模型单一、预测不稳定等问题。对大西线侯马西站轨道变形监测CPⅢ观测点实测数据的对比分析表明,小波神经网络预测结果的相对误差范围较卡尔曼滤波结果缩小50%以上,均方误差缩小50%,相关系数和平均相对误差指标比较稳定,较当前应用最为广泛的卡尔曼滤波模型具有更好的容错能力和逼近能力。研究结果不仅扩充了当前预测模型的可选范围,还在预测结果的稳定性上提供了更好的参考对象。     

基于DEACO-WNN的盾构施工地表沉降预测

研究目的:近年来,我国地铁建设飞速发展,全国有近四十个城市在修建地铁。盾构施工是地铁建设的主要施工方式,由于盾构施工引起的地表沉降问题,为施工安全带来很多的困扰。为了减少施工过程中的安全隐患,提高施工质量和效益,对盾构施工引起的地表沉降进行研究意义重大。研究结论:本文通过对盾构施工地表沉降的影响因素和预测模型进行研究,得到以下结论:(1)在研究了对于盾构施工地表沉降较为敏感的参数中选取了覆土厚度、压缩模量、凝聚力、天然密度、内摩擦角、千斤顶推力、注浆压力,并将其作为输入层建立了小波神经网络预测模型;(2)用差分进化蚁群算法以相对熵为标准对小波神经网络的初始权值、伸缩参数和平移参数进行优化,使得预测模型的收敛速度和预测精度都有显著提高;(3)通过北京地铁6号线实地工程数据进行验证,预测模型的最小误差仅为0.5%,预测精度在实际工程所允许的范围内;(4)本文所建立的模型对盾构施工安全防护领域具有指导意义,通过对地表沉降的有效预测来改进施工工艺,进而增强施工的安全性。     

变流器故障诊断技术综述

总结了变流器的常见故障及其诊断方法,主要对小波分析及神经网络诊断方法进行了系统归纳;指出变流器故障诊断方法现存在的问题,预测了其发展趋势。     

级联神经网络用于单扫描示波极谱信号的测定

将改进小波神经网络与BP神经网络相结合,提出一种新的混级联神经网络结构,用于单扫描示波极谱信号的同时测定.通过对网络结构的优化和网络参数的调整,加快了训练速度,提高了预测的准确度.用该法对邻、间硝基氯苯混合样进行了预测,结果满意.对级联神经网络法与单一BP神经网络法的预测结果进行了比较,表明级联神经网络优于单一BP神经网络.     

高速铁路路桥过渡段地基沉降测试与预测方法研究

以津秦客运专线路桥过渡段路基沉降测试为例,利用BP神经网络方法和灰色系统法研究了路桥过渡段沉降预测问题。计算实例表明,神经网络法和灰色系统法短期沉降预测结果比较准确,简便易行,因而具有广泛的工程实用价值和应用前景。     

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.     

基于并联灰色神经网络的基桩沉降量预测研究

研究目的:静荷载试验是基桩检测中最直观有效的检测方法,其试验数据的科学有效性对试验结果的分析判定至关重要.本文旨在通过并联灰色神经网络模型,探讨静荷载试验中相似地质条件下基桩沉降量的有效预测和数据修补问题,并给出计算方法.研究结论:通过对桩周围土体的灰色关联分析,确定了区域内桩周围土体的关联度;借助线性加权的方法对灰色模型和BP神经网络进行并联整合,实现对单一模型的降噪优化;运用并联灰色神经网络,对相似土层区域范围内单桩静荷载试验数据进行有效预测,并进行误差比对.结果表明:该方法可综合考虑多方因素,对试验过程中缺失数据的修复、已知沉降量的拟合、未来沉降量的预测和关联区域内基桩沉降量参考值的确定具有实用价值.     

基于HPSO-WNN的牵引变压器故障诊断算法研究

为全面有效地诊断电力机车牵引变压器故障,提出一种基于混合粒子群算法的正交小波神经网络(HP-SO-WNN)方法,对牵引变压器进行综合测试和诊断。将色谱数据和电气试验数据作为正交小波神经网络的输入量,网络隐藏层采用具有正交性的小波函数db4作为基函数,利用混合粒子群算法获得正交小波神经网络的初始值并优化网络参数。试验结果证明,本文提出的HPSO-WNN确实可有效提高牵引变压器故障诊断速度和准确度。     

基于动态神经网络法考虑区域沉降的高速铁路沉降预测

穿越地面沉降严重区域的高速铁路受工程沉降和区域沉降的耦合影响,准确预测高铁工后沉降的发展趋势对高铁安全运营有重要意义。通过分析影响工后沉降的因素,结合动态神经网络原理,以基准点、工作基点2个指标作为网络输入,以历史沉降数据作为延迟量反馈,用贝叶斯正则化算法训练网络,得到工后沉降的仿真非线性网络。应用此模型在沧州市沉降漏斗区进行沉降预测,以桥墩沉降量作为工后沉降的表征,和传统的双曲线法和灰色预测等模型对比。结果表明,动态神经网络考虑了区域沉降的影响,能更准确的预测工后沉降的发展趋势,具有很高的预测精度。     

基于协同降噪与IGWO-SVR的高填方路基沉降预测

高填方路基沉降影响山岭重丘区重载铁路运营安全。为克服实测沉降数据掺杂随机噪声、现有预测模型适用性差的不足,提出基于协同降噪算法与IGWO-SVR模型的沉降预测方法。运用互补集合经验模态分解法(CEEMD)与小波包变换法(WPT)对含噪沉降数据进行协同降噪处理;提出基于佳点集初始化均布、非线性收敛控制与自身历史最优记忆位置更新的改进灰狼优化(IGWO)算法,并结合支持向量回归模型(SVR),构建IGWO-SVR沉降预测模型。进一步地,利用大准铁路工点及现有文献研究成果,验证IGWO-SVR模型的优越性。结果表明：协同降噪法可有效消除原数据中噪声项的干扰波动;在小样本数据集上,IGWO-SVR模型较传统沉降预测模型与现有文献所述预测模型,具有更高的预测精度与稳定性。研究成果为重载铁路高填方路基沉降预测提供了新途径。     

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。     

杭甬高速铁路线下工程沉降变形评估

高速铁路无砟轨道线下工程工后沉降分析、预测及评估是高速铁路建设的一项重要技术要求,国内外尚无成熟的经验。通过对杭甬铁路客专线下工程构筑物进行变形分析,介绍目前常用的几种评估预测方法,并利用不同的预测方法进行工后沉降预测,分析其适用性。结果表明,使用曲线回归法进行不同结构物沉降分析预测,相对而言,路基段曲线拟合通过率较高,桥梁段次之,隧道段最低,指数曲线法及双曲线法相对适应性较好。     

基于大模型混合算法的站台门设备状态预测方法研究

地铁站台门设备关键状态量的监测为设备状态预警提供了重要依据。根据免疫算法及小波神经网络的基本原理,对设备状态预测进行优化,提出大模型混合算法的站台门设备状态预测算法。结合国内外城市轨道交通机电类设备健康运营现状,对基于大模型混合算法(免疫算法+小波神经网络)的站台门设备健康管理系统进行验证,结果表明此算法预测设备状态误差小、理论值准确。     

客运专线无砟轨道铁路复合地基沉降预测研究

研究目的:如何准确而又简便地计算与预测地基沉降是工程实践中一直未能很好解决的问题。在简要分析双曲线切线模量法的理论基础上,利用C++和VB语言混合编程,编制基于载荷试验的双曲线切线模量法的地基沉降计算程序,并利用某铁路复合路基载荷试验p～s曲线进行计算以验证其适用性。研究结论:双曲线切线模量法用于预测客运专线无砟轨道铁路路基沉降具有比较高的精确度,能够将沉降预测的时间提前到路堤填土施工前,是对目前客运专线无砟轨道铁路路基沉降计算与预测方法的补充。     

灰色GM（1，1）模型预测沉降的局限性分析

考虑现场沉降监测数据的不等时间间隔性及数据的不断更新性,建立了不等时距等维新息GM(1,1)沉降预测模型并研发了相应的预测程序RIID,将其应用于实际工程的沉降预测,验证了预测模型合理性和程序的可行性。分析了实测数据时间间隔和预测步数对GM(1,1)模型预测精度的影响。结果表明:数据时间间隔相差太大,将导致模型失真;GM(1,1)模型只能进行短期预测,若要预测未来较长时间内的沉降,必须有新增数据,这就使得该模型在实际工程中的应用受到限制。