CN112149230A - 一种强风铁路风致列车舒适性劣化预测方法 - Google Patents

一种强风铁路风致列车舒适性劣化预测方法 Download PDF

Info

Publication number
CN112149230A
CN112149230A CN202011032638.5A CN202011032638A CN112149230A CN 112149230 A CN112149230 A CN 112149230A CN 202011032638 A CN202011032638 A CN 202011032638A CN 112149230 A CN112149230 A CN 112149230A
Authority
CN
China
Prior art keywords
train
comfort
vibration
vibration signal
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011032638.5A
Other languages
English (en)
Other versions
CN112149230B (zh
Inventor
刘辉
谭静
尹诗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202011032638.5A priority Critical patent/CN112149230B/zh
Publication of CN112149230A publication Critical patent/CN112149230A/zh
Application granted granted Critical
Publication of CN112149230B publication Critical patent/CN112149230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明公开了一种强风铁路风致列车舒适性劣化预测方法，包括获取列车振动信号实验数据；提取列车振动信号特征与建立列车振动信号特征库；建立列车舒适性描述初步模型；基于多目标优化对列车舒适性描述初步模型进行识别并得到最终的列车舒适性描述模型；实时获取待预测列车的振动信号数据；采用列车舒适性描述模型对待预测列车进行实时舒适性劣化预测。本发明方法能够实现针对强风铁路风的列车舒适性劣化预测，而且进一步提高强风铁路风致列车舒适性劣化预测的广泛适应性、准确性、稳定性和可靠性。

Description

一种强风铁路风致列车舒适性劣化预测方法
技术领域
本发明属于轨道交通领域，具体涉及一种强风铁路风致列车舒适性劣化预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高，轨道交通已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。
随着我国高速列车的不断发展，旅客的乘坐舒适性要求逐渐提高，对列车舒适性指数的预测也成为目前关注的重点。列车在行驶过程中经过一些恶劣强风地区的铁路线路时，受到强风的气动升力和横向力的影响，会对乘客的乘坐舒适性带来极大的危害。因此，在强风铁路风致列车舒适性劣化的情况下，如何实现预测列车舒适性成为亟待研究的问题。
现阶段关于列车乘客舒适性监测的专利主要涉及以下两个方面：
1)基于加速度的列车舒适性监测：如公开号为CN109632350A的专利提出了一种城市轨道交通列车乘坐舒适度检测装置，该装置主要于列车车厢地板设置MEMS传感器，采集列车横向、纵向、垂直方向三个方向的加速度数据进而实现列车舒适性监测。
2)基于人体生理响应的列车舒适性监测：如公开号为CN107860594A的专利提出了一种确定高速列车旅客舒适度的方法，该方法直接通过人体振动响应来评价人体乘坐舒适性，仿真模拟得到测点处人体的振动加速度响应和振动程度响应从而直接评价旅客乘坐舒适性。公开号为CN109829663A的专利提出了一种基于云平台的轻轨列车舒适度评测系统。
但是，上述的监测方法，评定舒适性指标数据来源较单一，而且属于事后和事中监测和评价，时效性不高。
发明内容
本发明的目的在于提供一种数据来源多样化、可靠性高且时效性好的强风铁路风致列车舒适性劣化预测方法。
本发明提供的这种强风铁路风致列车舒适性劣化预测方法，包括如下步骤：
S1.获取列车振动信号实验数据；
S2.针对步骤S1获取的实验数据，进行列车振动信号特征提取与列车振动信号特征库的建立；
S3.建立列车舒适性描述初步模型；
S4.基于多目标优化，对步骤S3建立的列车舒适性描述初步模型进行识别，从而得到最终的列车舒适性描述模型；
S5.实时获取待预测列车的振动信号数据；
S6.根据步骤S5获取的待预测列车的振动信号数据，采用步骤S4得到的列车舒适性描述模型对待预测列车进行实时舒适性劣化预测。
所述强风铁路风致列车舒适性劣化预测方法，还包括如下步骤：
S7.将步骤S5实时获取的振动信号数据进行存储；
S8.对列车振动信号特征库和列车舒适性描述模型进行更新。
步骤S8所述的对列车振动信号特征库和列车舒适性描述模型进行更新，具体为经技术人员确认后，确认后预测结果及其对应的振动信号将作为新的实验数据进行存储，并当新增加的实验数据达到设定值时，利用新的实验数据更新列车振动信号特征库和列车舒适性描述模型。
步骤S1所述的列车振动信号实验数据，具体为在列车关键部分设置振动传感器，采集关键部分位置在持续采集时间内的振动频率最大值、振动频率最小值、振动振幅最大值、振动振幅最小值、振动加速度最大值和振动加速度最小值；同时在列车车厢顶部安装三维激光测振仪，并采用下式计算得到被测点在全局坐标下三个方向的主运动速度Vx、Vy和Vz：
Figure BDA0002704253690000031
式中α1～α3为三维激光测振仪的三个激光发射器与x轴方向的夹角，β1～β3为三维激光测振仪的三个激光发射器与y轴方向的夹角，γ1～γ3为三维激光测振仪的三个激光发射器与z轴方向的夹角；V1～V3为三维激光测振仪的三个激光发射器直接测量得到的振动速度。
步骤S2所述的进行列车振动信号特征提取与列车振动信号特征库的建立，具体为采用如下步骤进行提取和建立：
A.对振动信号进行离群值校正；
B.对校正后的振动信号进行放大处理；
C.对放大后的信号进行分解；
D.根据分解后的信号，对振动信号进行混合分析；
E.对混合分析后的信号提取特征，从而构建列车振动信号特征库。
步骤A所述的对振动信号进行离群值校正，具体为采用如下步骤进行离群值校正：
A1.HI离群值校正模型参数初始化：定义滑动窗口w的长度为w＝2p+1，p为相邻点的数量；同时设定评估参数α的值，用于确定异常值和正常点；
A2.将振动信号X＝xi输入到HI离群值校正模型；
A3.在滑动窗口中，采用如下算式计算本地数据的中值：
mi＝median[xi-p,xi-(p-1),...,xi,...,xi+(p-1),xi+p]
式中xi为输入数据的第i个样本；
A4.采用如下算式计算滑动窗口中本地数据的中值绝对偏差：
MADi＝median[|xi-p-mi|,...,|xi-mi|,...,|xi+(p-1)-mi|,|xi+p-mi|]
式中xi为输入数据的第i个样本；mi为滑动窗口中本地数据的中值；
A5.采用如下算式计算振动样本分数Z'：
Figure BDA0002704253690000041
式中α为设定的参数，且α取值优选为α＝0.6745；
A6.对步骤A5得到的振动样本分数Z'进行判断：
若振动样本的分数计算结果Z'超过设定的经验阈值TR，则用本地数据中值mi代替当前振动样本；
A7.采用如下算式，给定终点数据的左边界条件和有边界条件：
Figure BDA0002704253690000042
Figure BDA0002704253690000043
式中ml为左边界条件中的数据中值，mr为右边界条件中的数据中值，MADl为左边界条件中的中值绝对偏差，MADr为右边界条件中的中值绝对偏差，p为相邻点的数量。
步骤C所述的对放大后的信号进行分解，具体为采用如下步骤进行分解：
C1.设定n维向量组m(t)＝{m1(t),m2(t),…,mn(t)}，n-1维球面上对应角
Figure BDA0002704253690000051
的方向向量集为
Figure BDA0002704253690000052
在球面空间建立K个方向向量，k＝1,2,...,K；
C2.使用Hammersley序列采样法选择一组方向向量D；
C3.计算第k个方向向量Dαk的输入信号m(t)的第k个投影pαk(t)；
C4.在
Figure BDA0002704253690000053
上使用多元样条插值函数内插，获得所有k的多维包络Eαk(t)；
C5.计算均值
Figure BDA0002704253690000054
并计算中间变量d(t)＝m(t)-s(t)：
若中间变量d(t)满足多元本征模态函数的迭代终止条件，则将d(t)定义为IMF，并对m(t)-d(t)从步骤C3开始重复直至得到新的IMF；
若中间变量d(t)不满足多元本征模态函数的迭代终止条件，则对d(t)从步骤C3开始重复直至得到新的IMF。
步骤D所述的对振动信号进行混合分析，具体为采用如下步骤进行混合分析：
D1.以f(t)表示步骤C得到的各个部位测点测得的振动信号；
D2.对每个振动信号f(t)进行快速傅里叶时频域变换，将f(t)分解为多个单一频率分量，从而得到振动信号的1～n次谐波信号{f1(t),f2(t),...,fn(t)}；其中fi(t)的实部为fRei，fi(t)的虚部为fImi；
D3.根据步骤D2得到的变换结果，采用幅值公式
Figure BDA0002704253690000061
和相位公式
Figure BDA0002704253690000062
获得相应的谐波幅值信息X＝{a1(t),a2(t),...,an(t)}和谐波相位信息
Figure BDA0002704253690000063
D4.采用如下算式计算得到目标点振动信号
Figure BDA0002704253690000064
式中A为目标点的振动信号；Ai为路径i上的振动贡献量；Hi为路径i上的传递函数；Fi为路径i上的激励。
步骤E所述的对混合分析后的信号提取特征，从而构建列车振动信号特征库，具体为采用如下步骤构建列车振动信号特征库：
E1.以{xn}表示在n种情况下测得的振动信号，并记为V1,V2,...,Vn；
E2.采用全矢谱算法对步骤E1得到的V1,V2,...,Vn做信息融合，得到融合后新的振动信号{Fk}，并记为V1',V2',...,Vk'；
E3.设定样本熵算法中参数嵌入维数m为2，相似容限r为0.2倍的数据标准差，对步骤E2得到的新的振动信号进行样本熵计算，得到全矢样本熵值，从而得到最终的列车振动信号特征库。
步骤S3所述的建立列车舒适性描述初步模型，具体为采用列车不同部位的振动信号的特征库进行多标签分类和训练，并采用如下步骤进行建模：
a.读取N1个连续历史时刻的列车各部位测点振动信号数据集；N1为正整数；
b.划分数据集：将步骤a得到的数据集中，AA％作为训练集，BB％作为验证集，CC％作为测试集；AA、BB和CC均为正整数，且AA+BB+CC＝100；
c.采用如下公式计算总舒适性指数W：
Figure BDA0002704253690000071
式中N为测试集的个数；Wi为第i频段的舒适性指标，且
Figure BDA0002704253690000072
z(t)max为振动加速度最大值；z(t)min为振动加速度最小值；y(t)max为振动振幅最大值；y(t)min为振动振幅最小值；x(t)max为振动频率最大值；x(t)min为振动频率最小值；Vx为测点在x坐标下的主运动速度；Vy为测点在y坐标下的主运动速度；Vz为测点在z坐标下的主运动速度；
d.建立列车各部位测点振动信号确定性映射关系的深度学习模型：堆叠长短时记忆网络模型的输入为振动信号的输入矩阵，对应的用于表示舒适性指数的多标签值作为堆叠长短时记忆网络模型的输出，以学习在不同历史时刻下标签值与振动信号特征的对应关系；模型参数采用5折交叉验证确定，选取在验证集上描述精度最高的一组参数得到训练完备后的列车舒适性描述初步模型f(W)。
步骤S4所述的基于多目标优化，对步骤S3建立的列车舒适性描述初步模型进行识别，从而得到最终的列车舒适性描述模型，具体为采用如下步骤进行识别，并得到最终的列车舒适性描述模型：
(1)选取多目标优化方法并确定适应值：采用多目标粒子群优化，对种群中的每个个体构建长短时记忆网络，并获取验证集上的预测结果；设置最小化优化问题以确定搜索方向，并采用如下函数作为适应度函数：
Figure BDA0002704253690000073
式中αi为结合权重，εi为堆叠长短时记忆网络中第i层的神经元数量，Accuracy为预测均方误差且
Figure BDA0002704253690000081
f(t)为堆叠长短时记忆网络在验证集上的预测结果，Y(t)为实际验证集数据；
(2)选择超参数：设置多目标粒子群优化的搜索种群数为200，最大迭代次数为100，存档大小为50；随机初始化200个粒子作为堆叠长短时记忆网络模型的神经元个数，计算各个粒子的适应值；嵌入领导者选择机制和存档储存机制，从而提高收敛能力；将所有粒子按照适应值排列并进行存档，并从群体中筛选出最优粒子，成为领导个体；
(3)记录迭代次数It＝1；
(4)执行多目标优化：计算所有搜索结果的优化函数值，并选取非支配解存入档案中；
(5)更新搜索路径，从而生成新的列车舒适性组合方案；
(6)迭代次数It增加1，并对迭代次数It进行判断：
若迭代次数It小于设定的最大迭代次数，则返回步骤(4)继续进行循环多目标优化；
若迭代次数It等于设定的最大迭代次数，则算法结束，输出最优解，用于确定堆叠长短时记忆网络模型的最优神经元个数，从而得到最终的列车舒适性描述模型。
步骤S6所述的根据步骤S5获取的待预测列车的振动信号数据，采用步骤S4得到的列车舒适性描述模型对待预测列车进行实时舒适性劣化预测，具体为采用如下步骤进行预测：
1)计算列车与车站的实时距离；
2)根据步骤1)计算得到的实时距离，选取距离最小的若干个车站作为列车途径区域的最小空间单元，记录其车站编号并读取其在t个连续历史时刻内的列车振动信号集合；
3)根据步骤2)读取的数据和步骤S5得到的列车舒适性描述模型，建立并训练最小空间单元内的列车舒适性预测模型，得到训练完备后的列车舒适性预测模型；
4)采用步骤3)得到的列车舒适性预测模型，对列车每个时刻的舒适性指数进行预测，从而完成对待预测列车进行实时舒适性劣化预测。
步骤1)所述的计算列车与车站的实时距离，具体为采用如下步骤计算实时距离：
根据列车现处经纬度位置[LONC,DIMC]，将车站m的经纬度位置记为[LONS,m,DIMs ,m]，并采用如下算式计算第t个时刻下列车与车站的距离：
Figure BDA0002704253690000091
根据列车运行时前若干分钟内的分均速度v和列车剩余行驶路线的有向路径
Figure BDA0002704253690000092
采用如下算式计算未来T分钟后列车的预计位置：
Figure BDA0002704253690000093
式中
Figure BDA0002704253690000094
为列车与车站的经度有向路径，
Figure BDA0002704253690000095
为列车与车站的维度有向路径。
步骤3)所述的建立并训练最小空间单元内的列车舒适性预测模型，具体为采用加权正则化极限学习机，隐含层神经元数量设置为25，正则化项系数设置为2-10，得到训练完备后的列车舒适性预测模型。
本发明提供的这种强风铁路风致列车舒适性劣化预测方法，根据获取的列车关键部位的振动信号，提出了列车舒适性程度确定性建模方法，对列车振动信号进行实时采样，并建立堆叠长短时记忆网络学习列车振动信号与列车舒适性指标的确定性关系，并使用振动信号的多标签识别验证方法，并采用多目标优化方法实现高精度和高稳定性的列车舒适性预测；因此本发明方法能够实现针对强风铁路风的列车舒适性劣化预测，而且进一步提高强风铁路风致列车舒适性劣化预测的广泛适应性、准确性、稳定性和可靠性。
附图说明
图1为本发明方法的方法流程示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本专利将强风铁路风导致的列车舒适性劣化现象与列车振动联系，将列车振动视为由于受到强风铁路风引起的；因此，本发明提供的这种强风铁路风致列车舒适性劣化预测方法，包括如下步骤：
S1.获取列车振动信号实验数据；具体为在列车关键部分设置振动传感器，采集关键部分位置在持续采集时间内的振动频率最大值、振动频率最小值、振动振幅最大值、振动振幅最小值、振动加速度最大值和振动加速度最小值；同时在列车车厢顶部安装三维激光测振仪，并采用下式计算得到被测点在全局坐标下三个方向的主运动速度Vx、Vy和Vz：
Figure BDA0002704253690000101
式中α1～α3为三维激光测振仪的三个激光发射器与x轴方向的夹角，β1～β3为三维激光测振仪的三个激光发射器与y轴方向的夹角，γ1～γ3为三维激光测振仪的三个激光发射器与z轴方向的夹角；V1～V3为三维激光测振仪的三个激光发射器直接测量得到的振动速度；
在具体实施时，列车的关键部位，包括车体顶部、轮对轴承、轴箱轴承、横纵梁交接处、齿轮箱、齿轮箱悬挂处和牵引变压器等；采用振动传感器进行数据采集；各指标的采样时间间隔均为5min，持续采集时间为30s；
对于经常工作于强风下的列车，收集的振动信号往往为中高频，且多为区域性局部振动。除安装基本的振动传感器外，在列车车厢顶部安装三维激光测振仪，可在一定程度上解决传感器数量较多引起“载荷效应”的问题，并且适应于高频振动的情况。三维激光测振仪基于多普勒频移原理，它通过在被测件表面设置测试网格，扫描测试节点的测试数据，其中每一个网格节点相当于一个传感器，按照铁路途径路线历史风速大小设置相应的数量。激光发射器通过发射激光，由反射回得到的多普勒频率Δf从而得到测试点振动速度v；
S2.针对步骤S1获取的实验数据，进行列车振动信号特征提取与列车振动信号特征库的建立；
考虑到振动信号中有不利于列车舒适性预测的无用信息，使用离群值校正方法对振动信号进行过滤，筛选清理数据采集过程中由于误差产生的异常值，并且利用放大器进行放大处理提高后续步骤中数据的利用率；步骤S1中在不同部位采集到的原始列车振动信号具有独特性和可分辨性，对采集的振动信号进行混合分析，从而提高后续特征提取时的分类精度；
具体为采用如下步骤进行提取和建立：
A.对振动信号进行离群值校正；具体为采用如下步骤进行离群值校正：
A1.HI离群值校正模型参数初始化：定义滑动窗口w的长度为w＝2p+1，p为相邻点的数量；同时设定评估参数α的值(优选为0.6745)，用于确定异常值和正常点；
A2.将振动信号X＝xi输入到HI离群值校正模型；
A3.在滑动窗口中，采用如下算式计算本地数据的中值：
mi＝median[xi-p,xi-(p-1),...,xi,...,xi+(p-1),xi+p]
式中xi为输入数据的第i个样本；
A4.采用如下算式计算滑动窗口中本地数据的中值绝对偏差：
MADi＝median[|xi-p-mi|,...,|xi-mi|,...,|xi+(p-1)-mi|,|xi+p-mi|]
式中xi为输入数据的第i个样本；mi为滑动窗口中本地数据的中值；
A5.采用如下算式计算振动样本分数Z'：
Figure BDA0002704253690000121
式中α为设定的参数，且α取值优选为α＝0.6745；
A6.对步骤A5得到的振动样本分数Z'进行判断：
若振动样本的分数计算结果Z'超过设定的经验阈值TR，则用本地数据中值mi代替当前振动样本；
A7.采用如下算式，给定终点数据的左边界条件和有边界条件：
Figure BDA0002704253690000122
Figure BDA0002704253690000123
式中ml为左边界条件中的数据中值，mr为右边界条件中的数据中值，MADl为左边界条件中的中值绝对偏差，MADr为右边界条件中的中值绝对偏差，p为相邻点的数量；
B.对校正后的振动信号进行放大处理；
具体实施时，利用全波放大器和半波放大器对振动信号进行放大处理，步骤A得到的振动信号经过全波放大器放大得到全波放大信号，此后再经半波放大器处理全波放大信号进一步得到半波放大信号；信号放大有利于处理频率较低的振动信号，并适用于远距离传输；
C.对放大后的信号进行分解；
针对上述步骤后得到的振动信号，先利用噪声辅助多元经验模态分解(NAMEMD)方法进行分解，在原始n维信号中添加m维高斯白噪声通道信号得到n+m维信号，剔除m维噪声通道保留原有n维信号达到分解的目的；
具体为采用如下步骤进行分解：
C1.设定n维向量组m(t)＝{m1(t),m2(t),…,mn(t)}，n-1维球面上对应角
Figure BDA0002704253690000131
的方向向量集为
Figure BDA0002704253690000132
在球面空间建立K个方向向量，k＝1,2,...,K；
C2.使用Hammersley序列采样法选择一组方向向量D；
C3.计算第k个方向向量Dαk的输入信号m(t)的第k个投影pαk(t)；
C4.在
Figure BDA0002704253690000133
上使用多元样条插值函数内插，获得所有k的多维包络Eαk(t)；
C5.计算均值
Figure BDA0002704253690000134
并计算中间变量d(t)＝m(t)-s(t)：
若中间变量d(t)满足多元本征模态函数的迭代终止条件，则将d(t)定义为IMF，并对m(t)-d(t)从步骤C3开始重复直至得到新的IMF；
若中间变量d(t)不满足多元本征模态函数的迭代终止条件，则对d(t)从步骤C3开始重复直至得到新的IMF；
经过NAMEMD分解后得到一系列多元IMFs，利用相关系数法选出最能代表原始信号的IMF分量；
D.根据分解后的信号，对振动信号进行混合分析；具体为采用如下步骤进行混合分析：
D1.以f(t)表示步骤C得到的各个部位测点测得的振动信号；
D2.对每个振动信号f(t)进行快速傅里叶时频域变换，将f(t)分解为多个单一频率分量，从而得到振动信号的1～n次谐波信号{f1(t),f2(t),...,fn(t)}；其中fi(t)的实部为fRei，fi(t)的虚部为fImi；
D3.根据步骤D2得到的变换结果，采用幅值公式
Figure BDA0002704253690000141
和相位公式
Figure BDA0002704253690000142
获得相应的谐波幅值信息X＝{a1(t),a2(t),...,an(t)}和谐波相位信息
Figure BDA0002704253690000143
D4.由于各关键部位振动为单一振动激励源，目标点振动为引起列车舒适性劣化的振动，路径是用来连接单一振动激励源与目标点振动的结构；其中单一振动激励源和目标点是由不同连接结构串、并联组成，传递路径分为多个路径。已知单一振动激励源大小和不同路径传递大小，各路径上产生的分贡献量的线性相加得到目标点振动信号；
具体实施时，采用如下算式计算得到目标点振动信号
Figure BDA0002704253690000144
式中A为目标点的振动信号；Ai为路径i上的振动贡献量；Hi为路径i上的传递函数；Fi为路径i上的激励；
E.对混合分析后的信号提取特征，从而构建列车振动信号特征库；
样本熵只能对单一传感器的振动信号进行特征提取，结果具有片面性；本发明方法采用全矢样本熵的方法，此方法相较样本熵，可对融合不同通道的信息，最大程度上保证振动信号的完整性；
具体为采用如下步骤构建列车振动信号特征库：
E1.以{xn}表示在n种情况下测得的振动信号，并记为V1,V2,...,Vn；
E2.采用全矢谱算法对步骤E1得到的V1,V2,...,Vn做信息融合，得到融合后新的振动信号{Fk}，并记为V1',V2',...,Vk'；
E3.设定样本熵算法中参数嵌入维数m为2，相似容限r为0.2倍的数据标准差，对步骤E2得到的新的振动信号进行样本熵计算，得到全矢样本熵值，从而得到最终的列车振动信号特征库；
将经过混合分析后的振动信号使用全矢样本熵算法得到相应IMF分量的特征值；此方法得到的特征值构成特征空间分布图，特征空间能更好的聚类。基于此，列车振动信号特征库建立完成；
S3.建立列车舒适性描述初步模型；具体为采用列车不同部位的振动信号的特征库进行多标签分类和训练，并采用如下步骤进行建模：
a.读取N1个(优选为100个)连续历史时刻的列车各部位测点振动信号数据集；N1为正整数；
b.划分数据集：将步骤a得到的数据集中，AA％作为训练集，BB％作为验证集，CC％作为测试集；AA、BB和CC均为正整数，且AA+BB+CC＝100；优选方案为AA＝60，BB＝20，CC＝20；
c.考虑到列车在行驶过程中，振动是随机的并且受到强风影响较大，因此把列车振动加速度按频率分解进行频谱分析，在实际分析时将加速度时程按频率分组，根据每一组的加速度频率计算每一频段的舒适性指标Wi，然后再求出全部频率段总的舒适性指数W；
具体为采用如下公式计算总舒适性指数W：
Figure BDA0002704253690000161
式中N为测试集的个数；Wi为第i频段的舒适性指标，且
Figure BDA0002704253690000162
z(t)max为振动加速度最大值；z(t)min为振动加速度最小值；y(t)max为振动振幅最大值；y(t)min为振动振幅最小值；x(t)max为振动频率最大值；x(t)min为振动频率最小值；Vx为测点在x坐标下的主运动速度；Vy为测点在y坐标下的主运动速度；Vz为测点在z坐标下的主运动速度；
d.建立列车各部位测点振动信号确定性映射关系的深度学习模型：堆叠长短时记忆网络模型的输入为振动信号的输入矩阵，对应的用于表示舒适性指数的多标签值作为堆叠长短时记忆网络模型的输出，以学习在不同历史时刻下标签值与振动信号特征的对应关系；模型参数采用5折交叉验证确定，选取在验证集上描述精度最高的一组参数得到训练完备后的列车舒适性描述初步模型f(W)；
S4.基于多目标优化，对步骤S3建立的列车舒适性描述初步模型进行识别，从而得到最终的列车舒适性描述模型；具体为采用如下步骤进行识别，并得到最终的列车舒适性描述模型：
(1)选取多目标优化方法并确定适应值：采用多目标粒子群优化，对种群中的每个个体构建长短时记忆网络，并获取验证集上的预测结果；设置最小化优化问题以确定搜索方向，并采用如下函数作为适应度函数：
Figure BDA0002704253690000171
式中αi为结合权重，εi为堆叠长短时记忆网络中第i层的神经元数量，Accuracy为预测均方误差且
Figure BDA0002704253690000172
f(t)为堆叠长短时记忆网络在验证集上的预测结果，Y(t)为实际验证集数据；
(2)选择超参数：设置多目标粒子群优化的搜索种群数为200，最大迭代次数为100，存档大小为50；随机初始化200个粒子作为堆叠长短时记忆网络模型的神经元个数，计算各个粒子的适应值；嵌入领导者选择机制和存档储存机制，从而提高收敛能力；将所有粒子按照适应值排列并进行存档，并从群体中筛选出最优粒子，成为领导个体；
(3)记录迭代次数It＝1；
(4)执行多目标优化：计算所有搜索结果的优化函数值，并选取非支配解存入档案中；
(5)更新搜索路径，从而生成新的列车舒适性组合方案；
(6)迭代次数It增加1，并对迭代次数It进行判断：
若迭代次数It小于设定的最大迭代次数，则返回步骤(4)继续进行循环多目标优化；
若迭代次数It等于设定的最大迭代次数，则算法结束，输出最优解，用于确定堆叠长短时记忆网络模型的最优神经元个数，从而得到最终的列车舒适性描述模型；
按照上述步骤建立基于堆叠长短时记忆网络的列车振动致列车舒适性劣化确定性映射关系学习模型，该模型将直接用于对实时运行列车振动数据进行列车舒适性预测分析；
S5.实时获取待预测列车的振动信号数据；当数据存储平台中的数据量维度达到50，开始进行列车舒适性劣化预测；
S6.根据步骤S5获取的待预测列车的振动信号数据，采用步骤S4得到的列车舒适性描述模型对待预测列车进行实时舒适性劣化预测；具体为采用如下步骤进行预测：
1)计算列车与车站的实时距离；具体为采用如下步骤计算实时距离：
根据列车现处经纬度位置[LONC,DIMC]，将车站m的经纬度位置记为[LONS,m,DIMs ,m]，并采用如下算式计算第t个时刻下列车与车站的距离：
Figure BDA0002704253690000181
根据列车运行时前若干分钟内的分均速度v和列车剩余行驶路线的有向路径
Figure BDA0002704253690000182
采用如下算式计算未来T分钟后列车的预计位置：
Figure BDA0002704253690000183
式中
Figure BDA0002704253690000184
为列车与车站的经度有向路径，
Figure BDA0002704253690000185
为列车与车站的维度有向路径；
2)根据步骤1)计算得到的实时距离，选取距离最小的若干个车站(优选为5个)作为列车途径区域的最小空间单元，记录其车站编号并读取其在t个连续历史时刻内的列车振动信号集合；
3)根据步骤2)读取的数据和步骤S5得到的列车舒适性描述模型，建立并训练最小空间单元内的列车舒适性预测模型，得到训练完备后的列车舒适性预测模型；具体为采用加权正则化极限学习机，隐含层神经元数量设置为25，正则化项系数设置为2-10，得到训练完备后的列车舒适性预测模型；
4)采用步骤3)得到的列车舒适性预测模型，对列车每个时刻的舒适性指数进行预测，从而完成对待预测列车进行实时舒适性劣化预测；
在具体实施时，将列车舒适性程度分为舒适、一般舒适、不舒适三个等级，并规定：将第一次训练时的W值进行统计，按照数值从小到大排序，W值在前30％(不含30％)的最大值为a；W值在30％～70％(含30％但不含70％)的最大值为b；W值在70％(含70％)的最大值为c；则在后续验证以及预测过程中，W值在0～a(含a)为舒适；在a～b(不含a，含b)为一般舒适；其余情况为不舒适；
S7.将步骤S5实时获取的振动信号数据进行存储；
S8.对列车振动信号特征库和列车舒适性描述模型进行更新；具体为经技术人员确认后，确认后预测结果及其对应的振动信号将作为新的实验数据进行存储，并当新增加的实验数据达到设定值(优选为600组)时，利用新的实验数据更新列车振动信号特征库和列车舒适性描述模型。

Claims (10)

1.一种强风铁路风致列车舒适性劣化预测方法，包括如下步骤：
S1.获取列车振动信号实验数据；
S2.针对步骤S1获取的实验数据，进行列车振动信号特征提取与列车振动信号特征库的建立；
S3.建立列车舒适性描述初步模型；
S4.基于多目标优化，对步骤S3建立的列车舒适性描述初步模型进行识别，从而得到最终的列车舒适性描述模型；
S5.实时获取待预测列车的振动信号数据；
S6.根据步骤S5获取的待预测列车的振动信号数据，采用步骤S4得到的列车舒适性描述模型对待预测列车进行实时舒适性劣化预测。
2.根据权利要求1所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于还包括如下步骤：
S7.将步骤S5实时获取的振动信号数据进行存储；
S8.对列车振动信号特征库和列车舒适性描述模型进行更新。
3.根据权利要求2所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于步骤S8所述的对列车振动信号特征库和列车舒适性描述模型进行更新，具体为经技术人员确认后，确认后预测结果及其对应的振动信号将作为新的实验数据进行存储，并当新增加的实验数据达到设定值时，利用新的实验数据更新列车振动信号特征库和列车舒适性描述模型。
4.根据权利要求1～3之一所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于步骤S2所述的进行列车振动信号特征提取与列车振动信号特征库的建立，具体为采用如下步骤进行提取和建立：
A.对振动信号进行离群值校正；
B.对校正后的振动信号进行放大处理；
C.对放大后的信号进行分解；具体为采用如下步骤进行分解：
C1.设定n维向量组m(t)＝{m1(t),m2(t),…,mn(t)}，n-1维球面上对应角
Figure FDA0002704253680000021
的方向向量集为
Figure FDA0002704253680000022
在球面空间建立K个方向向量，k＝1,2,...,K；
C2.使用Hammersley序列采样法选择一组方向向量D；
C3.计算第k个方向向量Dαk的输入信号m(t)的第k个投影pαk(t)；
C4.在
Figure FDA0002704253680000023
上使用多元样条插值函数内插，获得所有k的多维包络Eαk(t)；
C5.计算均值
Figure FDA0002704253680000024
并计算中间变量d(t)＝m(t)-s(t)：
若中间变量d(t)满足多元本征模态函数的迭代终止条件，则将d(t)定义为IMF，并对m(t)-d(t)从步骤C3开始重复直至得到新的IMF；
若中间变量d(t)不满足多元本征模态函数的迭代终止条件，则对d(t)从步骤C3开始重复直至得到新的IMF；
D.根据分解后的信号，对振动信号进行混合分析；
E.对混合分析后的信号提取特征，从而构建列车振动信号特征库。
5.根据权利要求4所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于步骤A所述的对振动信号进行离群值校正，具体为采用如下步骤进行离群值校正：
A1.HI离群值校正模型参数初始化：定义滑动窗口w的长度为w＝2p+1，p为相邻点的数量；同时设定评估参数α的值，用于确定异常值和正常点；
A2.将振动信号X＝xi输入到HI离群值校正模型；
A3.在滑动窗口中，采用如下算式计算本地数据的中值：
mi＝median[xi-p,xi-(p-1),...,xi,...,xi+(p-1),xi+p]
式中xi为输入数据的第i个样本；
A4.采用如下算式计算滑动窗口中本地数据的中值绝对偏差：
MADi＝median[|xi-p-mi|,...,|xi-mi|,...,|xi+(p-1)-mi|,|xi+p-mi|]
式中xi为输入数据的第i个样本；mi为滑动窗口中本地数据的中值；
A5.采用如下算式计算振动样本分数Z'：
Figure FDA0002704253680000031
式中α为设定的参数；
A6.对步骤A5得到的振动样本分数Z'进行判断：
若振动样本的分数计算结果Z'超过设定的经验阈值TR，则用本地数据中值mi代替当前振动样本；
A7.采用如下算式，给定终点数据的左边界条件和有边界条件：
Figure FDA0002704253680000032
Figure FDA0002704253680000033
式中ml为左边界条件中的数据中值，mr为右边界条件中的数据中值，MADl为左边界条件中的中值绝对偏差，MADr为右边界条件中的中值绝对偏差，p为相邻点的数量。
6.根据权利要求5所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于步骤D所述的对振动信号进行混合分析，具体为采用如下步骤进行混合分析：
D1.以f(t)表示步骤C得到的各个部位测点测得的振动信号；
D2.对每个振动信号f(t)进行快速傅里叶时频域变换，将f(t)分解为多个单一频率分量，从而得到振动信号的1～n次谐波信号{f1(t),f2(t),...,fn(t)}；其中fi(t)的实部为fRei，fi(t)的虚部为fImi；
D3.根据步骤D2得到的变换结果，采用幅值公式
Figure FDA0002704253680000041
和相位公式
Figure FDA0002704253680000042
获得相应的谐波幅值信息X＝{a1(t),a2(t),...,an(t)}和谐波相位信息
Figure FDA0002704253680000043
D4.采用如下算式计算得到目标点振动信号
Figure FDA0002704253680000044
式中A为目标点的振动信号；Ai为路径i上的振动贡献量；Hi为路径i上的传递函数；Fi为路径i上的激励。
7.根据权利要求6所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于步骤E所述的对混合分析后的信号提取特征，从而构建列车振动信号特征库，具体为采用如下步骤构建列车振动信号特征库：
E1.以{xn}表示在n种情况下测得的振动信号，并记为V1,V2,...,Vn；
E2.采用全矢谱算法对步骤E1得到的V1,V2,...,Vn做信息融合，得到融合后新的振动信号{Fk}，并记为V1',V2',...,Vk'；
E3.设定样本熵算法中参数嵌入维数m为2，相似容限r为0.2倍的数据标准差，对步骤E2得到的新的振动信号进行样本熵计算，得到全矢样本熵值，从而得到最终的列车振动信号特征库。
8.根据权利要求7所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于步骤S3所述的建立列车舒适性描述初步模型，具体为采用列车不同部位的振动信号的特征库进行多标签分类和训练，并采用如下步骤进行建模：
a.读取N1个连续历史时刻的列车各部位测点振动信号数据集；N1为正整数；
b.划分数据集：将步骤a得到的数据集中，AA％作为训练集，BB％作为验证集，CC％作为测试集；AA、BB和CC均为正整数，且AA+BB+CC＝100；
c.采用如下公式计算总舒适性指数W：
Figure FDA0002704253680000051
式中N为测试集的个数；Wi为第i频段的舒适性指标，且
Figure FDA0002704253680000052
z(t)max为振动加速度最大值；z(t)min为振动加速度最小值；y(t)max为振动振幅最大值；y(t)min为振动振幅最小值；x(t)max为振动频率最大值；x(t)min为振动频率最小值；Vx为测点在x坐标下的主运动速度；Vy为测点在y坐标下的主运动速度；Vz为测点在z坐标下的主运动速度；
d.建立列车各部位测点振动信号确定性映射关系的深度学习模型：堆叠长短时记忆网络模型的输入为振动信号的输入矩阵，对应的用于表示舒适性指数的多标签值作为堆叠长短时记忆网络模型的输出，以学习在不同历史时刻下标签值与振动信号特征的对应关系；模型参数采用5折交叉验证确定，选取在验证集上描述精度最高的一组参数得到训练完备后的列车舒适性描述初步模型f(W)。
9.根据权利要求8所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于步骤S4所述的基于多目标优化，对步骤S3建立的列车舒适性描述初步模型进行识别，从而得到最终的列车舒适性描述模型，具体为采用如下步骤进行识别，并得到最终的列车舒适性描述模型：
(1)选取多目标优化方法并确定适应值：采用多目标粒子群优化，对种群中的每个个体构建长短时记忆网络，并获取验证集上的预测结果；设置最小化优化问题以确定搜索方向，并采用如下函数作为适应度函数：
Figure FDA0002704253680000061
式中αi为结合权重，εi为堆叠长短时记忆网络中第i层的神经元数量，Accuracy为预测均方误差且
Figure FDA0002704253680000062
f(t)为堆叠长短时记忆网络在验证集上的预测结果，Y(t)为实际验证集数据；
(2)选择超参数：设置多目标粒子群优化的搜索种群数为200，最大迭代次数为100，存档大小为50；随机初始化200个粒子作为堆叠长短时记忆网络模型的神经元个数，计算各个粒子的适应值；嵌入领导者选择机制和存档储存机制，从而提高收敛能力；将所有粒子按照适应值排列并进行存档，并从群体中筛选出最优粒子，成为领导个体；
(3)记录迭代次数It＝1；
(4)执行多目标优化：计算所有搜索结果的优化函数值，并选取非支配解存入档案中；
(5)更新搜索路径，从而生成新的列车舒适性组合方案；
(6)迭代次数It增加1，并对迭代次数It进行判断：
若迭代次数It小于设定的最大迭代次数，则返回步骤(4)继续进行循环多目标优化；
若迭代次数It等于设定的最大迭代次数，则算法结束，输出最优解，用于确定堆叠长短时记忆网络模型的最优神经元个数，从而得到最终的列车舒适性描述模型。
10.根据权利要求9所述的一种强风铁路风致列车舒适性劣化预测方法，其特征在于步骤S6所述的根据步骤S5获取的待预测列车的振动信号数据，采用步骤S4得到的列车舒适性描述模型对待预测列车进行实时舒适性劣化预测，具体为采用如下步骤进行预测：
1)计算列车与车站的实时距离；具体为采用如下步骤计算实时距离：
根据列车现处经纬度位置[LONC,DIMC]，将车站m的经纬度位置记为[LONS,m,DIMs,m]，并采用如下算式计算第t个时刻下列车与车站的距离：
Figure FDA0002704253680000071
根据列车运行时前若干分钟内的分均速度v和列车剩余行驶路线的有向路径
Figure FDA0002704253680000072
采用如下算式计算未来T分钟后列车的预计位置：
Figure FDA0002704253680000073
式中
Figure FDA0002704253680000074
为列车与车站的经度有向路径，
Figure FDA0002704253680000075
为列车与车站的维度有向路径；
2)根据步骤1)计算得到的实时距离，选取距离最小的若干个车站作为列车途径区域的最小空间单元，记录其车站编号并读取其在t个连续历史时刻内的列车振动信号集合；
3)根据步骤2)读取的数据和步骤S5得到的列车舒适性描述模型，建立并训练最小空间单元内的列车舒适性预测模型，得到训练完备后的列车舒适性预测模型；具体为采用加权正则化极限学习机，隐含层神经元数量设置为25，正则化项系数设置为2-10，得到训练完备后的列车舒适性预测模型；
4)采用步骤3)得到的列车舒适性预测模型，对列车每个时刻的舒适性指数进行预测，从而完成对待预测列车进行实时舒适性劣化预测。
CN202011032638.5A 2020-09-27 2020-09-27 一种强风铁路风致列车舒适性劣化预测方法 Active CN112149230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011032638.5A CN112149230B (zh) 2020-09-27 2020-09-27 一种强风铁路风致列车舒适性劣化预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011032638.5A CN112149230B (zh) 2020-09-27 2020-09-27 一种强风铁路风致列车舒适性劣化预测方法

Publications (2)

Publication Number Publication Date
CN112149230A true CN112149230A (zh) 2020-12-29
CN112149230B CN112149230B (zh) 2022-06-10

Family

ID=73895780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011032638.5A Active CN112149230B (zh) 2020-09-27 2020-09-27 一种强风铁路风致列车舒适性劣化预测方法

Country Status (1)

Country Link
CN (1) CN112149230B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650204A (zh) * 2020-12-30 2021-04-13 中南大学 一种智慧轨道无人驾驶车辆故障基因识别方法及系统
CN112800855A (zh) * 2021-01-04 2021-05-14 中南大学 一种列车转向架非侵入式实时故障监测方法
CN112836577A (zh) * 2020-12-30 2021-05-25 中南大学 一种智慧交通无人驾驶车辆故障基因诊断方法及系统
CN113268813A (zh) * 2021-05-28 2021-08-17 成都威爱新经济技术研究院有限公司 一种基于像素流送技术的车辆展示方法及系统
CN116910452A (zh) * 2023-07-21 2023-10-20 郑州铁路职业技术学院 基于大数据的有害垃圾无菌化处理风险预测评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1928701A1 (fr) * 2005-09-20 2008-06-11 Saint-Gobain Glass France Procede d'optimisation du confort acoustique et vibratoire dans un habitacle mobile
CN106779148A (zh) * 2016-11-14 2017-05-31 中南大学 一种多模型多特征融合的高速铁路沿线风速预测方法
JP2019039866A (ja) * 2017-08-28 2019-03-14 株式会社竹中工務店 振動モード予測装置及び振動モード予測モデル学習装置
CN109583092A (zh) * 2018-11-30 2019-04-05 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法
CN110239577A (zh) * 2019-07-25 2019-09-17 中南大学 一种车内污染环境下列车乘员健康防护系统及其方法
CN110361207A (zh) * 2019-07-25 2019-10-22 中南大学 一种智能列车走行部在线状态预测系统及其方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1928701A1 (fr) * 2005-09-20 2008-06-11 Saint-Gobain Glass France Procede d'optimisation du confort acoustique et vibratoire dans un habitacle mobile
CN106779148A (zh) * 2016-11-14 2017-05-31 中南大学 一种多模型多特征融合的高速铁路沿线风速预测方法
JP2019039866A (ja) * 2017-08-28 2019-03-14 株式会社竹中工務店 振動モード予測装置及び振動モード予測モデル学習装置
CN109583092A (zh) * 2018-11-30 2019-04-05 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法
CN110239577A (zh) * 2019-07-25 2019-09-17 中南大学 一种车内污染环境下列车乘员健康防护系统及其方法
CN110361207A (zh) * 2019-07-25 2019-10-22 中南大学 一种智能列车走行部在线状态预测系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹青松 等: "列车主动悬挂预测控制算法研究", 《噪声与振动控制》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650204A (zh) * 2020-12-30 2021-04-13 中南大学 一种智慧轨道无人驾驶车辆故障基因识别方法及系统
CN112836577A (zh) * 2020-12-30 2021-05-25 中南大学 一种智慧交通无人驾驶车辆故障基因诊断方法及系统
CN112650204B (zh) * 2020-12-30 2021-12-24 中南大学 一种智慧轨道无人驾驶车辆故障基因识别方法及系统
CN112836577B (zh) * 2020-12-30 2024-02-20 中南大学 一种智慧交通无人驾驶车辆故障基因诊断方法及系统
CN112800855A (zh) * 2021-01-04 2021-05-14 中南大学 一种列车转向架非侵入式实时故障监测方法
CN112800855B (zh) * 2021-01-04 2022-07-12 中南大学 一种列车转向架非侵入式实时故障监测方法
CN113268813A (zh) * 2021-05-28 2021-08-17 成都威爱新经济技术研究院有限公司 一种基于像素流送技术的车辆展示方法及系统
CN116910452A (zh) * 2023-07-21 2023-10-20 郑州铁路职业技术学院 基于大数据的有害垃圾无菌化处理风险预测评估方法
CN116910452B (zh) * 2023-07-21 2024-04-26 郑州铁路职业技术学院 基于大数据的有害垃圾无菌化处理风险预测评估方法

Also Published As

Publication number Publication date
CN112149230B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN112149230B (zh) 一种强风铁路风致列车舒适性劣化预测方法
CN109214581B (zh) 一种考虑风向和置信区间的铁路沿线风速预测方法
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN113435707B (zh) 基于深度学习和计权型多因子评价的测土配方施肥方法
CN112926265A (zh) 基于遗传算法优化神经网络的大气多孔探针测量校准方法
CN109190839B (zh) 一种融合风向的铁路沿线风速智能滚动预测方法
CN111523728B (zh) 一种四阶段混合短时风向预测方法
CN109858523A (zh) 一种神经网络和射线理论的浅海声速剖面反演方法
CN114510778A (zh) 基于混合智能优化lstm的轨道不平顺预测方法
CN109376331A (zh) 一种基于梯度提升回归树的城市公交车排放率估计方法
CN114019370A (zh) 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法
CN112070103B (zh) 通过微波链路网格化自适应可变尺度反演大气能见度的方法
CN110826244A (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
CN118396482B (zh) 面向气候变化的耕地质量动态监测方法
CN115099328A (zh) 基于对抗网络的交通流量预测方法、系统、设备及存储介质
CN114169502A (zh) 一种基于神经网络的降水预测方法、装置和计算机设备
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN113515798B (zh) 一种城市三维空间扩张模拟方法及装置
CN117710802A (zh) 一种基于图像纹理特征的重力场方向适配性分析方法
CN117851764A (zh) 一种适用于复杂山地风电场孤立观测风数据插补方法
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
JP6950647B2 (ja) データ判定装置、方法、及びプログラム
CN117196368A (zh) 基于ga-bp算法的公职人员考核方法及系统
CN115623422A (zh) 三维战场辐射源定位跟踪方法
CN115359197A (zh) 一种基于空间自相关神经网络的地质曲面重构方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant