基于改进 BiLSTM 网络的地铁车轮磨耗预测模型 |
| |
引用本文: | 朱爱华,白 杨,白堂博,王雅莉,张财胜,李安琰.基于改进 BiLSTM 网络的地铁车轮磨耗预测模型[J].都市快轨交通,2024,37(3):82-89. |
| |
作者姓名: | 朱爱华 白 杨 白堂博 王雅莉 张财胜 李安琰 |
| |
作者单位: | 北京建筑大学 城市轨道交通车辆服役性能保障北京市重点试验室,北京 100044;北京市地铁运营有限公司,北京 100044 |
| |
基金项目: | 北京市自然科学基金项目(L211007) |
| |
摘 要: | 针对地铁车轮磨耗数据时间跨度较长引起的长期依赖问题,为了进一步提升预测精度,提出一种将麻雀搜索算法(sparrow search algorithm,SSA)优化双向长短期记忆网络(bidirectional long short term memory,BiLSTM)的改进 BiLSTM(SSA-BiLSTM)网络模型,用于地铁车轮磨耗预测。首先,利用麻雀搜索算法对双向长短期记忆网络算法的神经元个数、迭代次数、输入批量和学习率等超参数在给定范围内进行寻优,得到参数最优值;然后,以参数最优值来构建改进 BiLSTM 网络模型,对车轮磨耗进行预测分析;最后,以车轮踏面磨耗和轮缘磨耗作为研究对象,将某地铁 1 车厢 1 号车轮的现场实测历史磨耗数据作为输入,对该模型进行训练及验证分析,并与多层感知机(multilayer perceptron,MLP)、LSTM、BiLSTM 以及 SSA-LSTM 模型的预测结果进行对比。研究结果表明:SSA-Bi-LSTM 模型的车轮磨耗预测精度更高,与 LSTM、BiLSTM 以及 SSA-LSTM 网络模型相比,踏面磨耗的平均绝对百分误差(mean absolute percentage error,MAPE)分别降低了 13.28%、10.32%、1.47%,轮缘磨耗分别降低了 9.5%、0.46%、0.02%;分别对同一地铁 2 号、4 号车厢的 1 号位置车轮磨耗进行预测,并与磨耗实测数据进行对比,踏面磨耗的平均绝对百分比误差分别为 1.34%、1.42%,轮缘磨耗的平均绝对百分比误差分别为 0.18%、0.19%,验证了本文所提模型具有良好的泛化性,为地铁轮对智能化管理提供理论支持,延长车轮使用寿命。
|
关 键 词: | 地铁 磨耗预测 麻雀搜索算法 双向长短期记忆网络 |
Improved Prediction Model of Metro Wheel Wear Based on BiLSTM Network |
| |
Institution: | School of Mechanical-electronic and Vehicle Engineering, Beijing University of Civil Engineering and Architecture,Beijing 100044;Beijing Subway Operation Co., Ltd., Beijing 100044 |
| |
Abstract: | |
| |
Keywords: | metro wear prediction sparrow search algorithm bidirectional long short time memory networks |
|
| 点击此处可从《都市快轨交通》浏览原始摘要信息 |
| 点击此处可从《都市快轨交通》下载免费的PDF全文 |