论文部分内容阅读
中国铁路事业快速发展,对轨道的稳定、安全和耐久性也出了更高的要求。高铁速度的不断升,车体和轨道之间的相互作用也更加强烈,使得车体对轨道的动力破坏也更加严重,同时轨道状态恶化又反过来威胁着列车的运行安全。因此,结合轨道几何不平顺和车体动态响应的综合轨道状态分析具有重要研究价值。云计算、大数据等新一代互联网技术的飞速发展,使得人们可以利用高效、低成本的计算资源分析海量数据,这使得铁路工务部门积累的海量轨道不平顺数据分析在技术上己经可行。本文从实测轨道不平顺数据出发,借助云平台强大的计算能力,并利用机器学习、深度学习理论构建了轨道-车体振动状态预测模型。论文主要工作包括以下几个方面:首先,构建了一种基于Spark的时间序列并行分解模型以加速轨道不平顺数据特征取,我们先对时间序列切分冗余,然后将带有冗余的时间子序列分发给Spark集群的计算节点进行序列分解,最后合并各计算节点中间结果得到最终结果。通过实验验证了所出的模型可以有效地分解大规模时间序列。其次,设计了基于Stacking集成模型的轨道-车体振动状态预测方法。针对传统振动状态预测模型泛化能力较弱的问题,我们先使用小波分解滤除轨道不平顺数据中的高频噪声,并从时域和频域两个角度取轨道不平顺特征,再利用采样缓解样本不平衡的问题,且通过基于树模型的特征选择去除冗余特征,构造了一个两层的Stacking集成模型,该集成方法能够较好地预测轨道不平顺到列车振动的响应。最后,研究了基于CNN的轨道-车体振动状态预测方法。我们先使用轨道不平顺数据构建CNN网络的数据输入层,将其映射为RGB图片,并作为CNN的输入,然后设计了适用于轨道-车体振动状态的CNN的网络结构以避免复杂的特征取、选择过程,该方法的预测精度高于现有振动状态预测方法,最终预测结果平均F1值达到96%,较Stacking集成预测模型又升了2%。论文先对轨道不平顺数据进行特征取,并出了两种轨道-车体振动状态的预测模型:Stacking模型和CNN模型。从模型预测精度看,CNN模型优于Stacking模型。从模型效率看,Stacking模型借助云平台并行计算的优势,效率优于CNN模型。从建模复杂度来看,CNN模型自动学习特征,建模复杂度低于Stacking模型。因此在实际工程中注重效率可以考虑使用Stacking模型,侧重精度可以考虑使用CNN模型。