马水河特大桥悬臂浇筑施工监测技术

系统介绍了马水河特大桥悬臂浇筑施工监测误差分析、箱梁预拱度预测和调整,保证成桥后桥面线形、合龙段两悬臂端标高的相对偏差不大于规定值,为大桥安全顺利建成提供技术保障。     

客专多跨预应力混凝土连续梁悬臂施工控制

介绍了客运专线预应力混凝土连续梁挂篮悬臂浇筑法施工监控工作.利用数值模拟的方法,计算出本桥在恒载作用下的累积位移、活载位移、预拱度及各阶段的梁体应力,通过误差分析和施工状态预测对计算模型进行修正,以此来保证成桥后桥面线形、合龙段两侧悬臂端高程的相对偏差不大于规定值.确保施工过程中结构的可靠度和安全性,保证桥梁成桥线形及受力状态符合设计要求.     

宜万铁路叶溪河大桥梁部线形控制技术

新建宜万铁路叶溪河大桥,上部结构为(70+108+70)m一联三跨预应力混凝土连续刚构箱梁,连续梁桥主梁按双线Ⅰ级铁路设计,采用三向预应力体系,全预应力混凝土构件。全桥共分63个梁段,中支点0号梁段长度13 m,挂篮悬浇梁段长度分成3.0、3.5、4.0 m和5.0 m,合龙段长2.0 m,边跨直线段及合龙段共长7.7 m,最大悬臂浇筑块体重1 484 kN。0号块采用预埋托架法施工,其余梁段采用挂篮悬臂对称施工。介绍各梁段和合龙段施工时线形控制技术,对类似桥梁的施工具有借鉴意义。     

基于梯度提升决策树模型的铁路货运装卸时间预测技术

铁路货运装卸时间的精准预测可提升铁路货运系统的调度合理性和服务质量,但装卸时间受多种因素影响。文章针对铁路货运装卸时间预测问题,从铁路货运运单全流程信息中挖掘运单属性与货运装卸时间的关系,以分类与回归树为基础模型,在LightGBM框架下构建梯度提升决策树模型;对铁路货运运单全流程信息中的相关数据进行整合、对数变换、增加特征等预处理,形成运单数据集;采用该数据对构建的模型进行训练,结果表明,构建的模型对货运装卸时间的预测性能优于与其对比的其他机器学习模型。将该模型应用在实际货运装卸业务场景时,实际准确率依旧高于其他对比模型。     

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，...     

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。     

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MFCC的高铁隧道衬砌脱空智能识别

衬砌脱空作为高铁隧道常见病害之一,威胁车辆和人员安全。目前,高铁隧道衬砌脱空检测多采用人工敲击听声的方法进行判断,受主观影响较大,准确率会受到影响。基于传统叩诊法原理并结合声音识别技术,对高铁隧道衬砌脱空的智能识别进行研究。采集京广高铁某隧道敲击检查的270段敲击声音样本,分析密实和脱空状态下的时域和频域特征。分析发现：衬砌背后密实与脱空时域波形特征和短时能量均有显著差异;密实状态下主频与次主频在6 200 Hz左右,脱空状态下主频与次主频在800 Hz左右。提取36维梅尔频率倒谱系数（MFCC）,降维处理后作为机器学习数据集。采用极端梯度提升（XGBoost）算法训练与测试,建立基于MFCC的高铁隧道衬砌脱空智能识别模型,与优化的支持向量机（CV-SVM）模型和梯度提升决策树（GBDT）模型相比,识别准确率更高,达到96.87%。该模型可用于衬砌背后脱空的定性识别,相较于人工检测,智能化和信息化程度极大提升,对智能化和自动化诊断高铁隧道衬砌脱空缺陷具有重要意义。     

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。     

京沪高铁列车运行晚点预测方法研究

为快速、准确地掌握列车的运行状态及未来的运行趋势，需要对列车运行晚点预测方法进行深入研究。文章根据对北京—上海高速铁路（简称：京沪高铁）2020年列车运行数据的分析，包括停站时长对于晚点的影响及不同初始晚点时长下的传播车站数，提出了基于循环神经网络（RNN,Recurrent Neural Network）的全段预测方法，使用同步多对多模式的RNN模型作为基础模型结构，建立列车运行晚点预测模型。在特征值的选择上，采用集成梯度打分法，从多个特征值中选择12个最显著的变量作为模型自变量。采用该模型对京沪高铁2020年晚点数据进行验证，结果表明，该模型在验证集上5 min的误差范围内可以达到89%的准确率，该预测方法可以满足实际生产的需要，有助于调度部门进行科学决策，有利于提升铁路旅客服务质量。     

针对铁路基础设施形变监测的GNSS观测数据质量评价研究

在应用全球导航卫星系统（GNSS,Global Navigation Satellite System）对铁路基础设施进行形变监测时，因运营期间铁路线路一直处于封闭状态，造成现场维护困难，需要通过分析评价GNSS监测站的GNSS观测数据质量，来检查GNSS监测站的运行状态。文章在分析常用GNSS观测数据质量评价指标的基础上，结合形变监测特点，选取了9项评价指标。采用岭回归分析法，在多项数据质量指标与监测最终解算精度间建立预测模型，对数据质量进行绝对性评价。基于浩吉（浩勒报吉—吉安）铁路沿线某边坡的8个GNSS监测站的观测数据，建立了预测模型，经验证，该模型预测误差的均方根为1.1 mm，优于GNSS解算的常规误差，证明了模型的可靠性和评价方法的可行性。     

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。