基于机器学习的高速列车转向架振动信号监测

摘要：

为了提高列车运行时的稳定性和安全性,对列车运行时安全加速进行实时监控与预测.根据动车实际运营保存的大量转向架振动信号数据,不同于传统的基于动力学的研究,提出了基于机器学习的高速列车转向架振动信号的研究.首先通过小波变换去噪对原始数据进行数字滤波处理,强化所需部分的数据,增加了转向架振动信号数据的精确度.其次,通过实验对几种常用的机器学习算法模型进行参数拟合,经分析和对比实验结果表明,随机森林算法在转向架枕梁振动信号监测中性能表现最好且预测精度最优,均方根误差达到最低0.069,其稳定性达到最高.最后总结得出,在不同里程、不同速度下,转向架振动信号的有效值和最大值的变化在转向架服役性能、安全运行方面具有可推广性,能够说明基于随机森林算法的转向架振动信号的监测可以有效地监控和预测高速列车运行速度的安全阈范围并优化列车转向架轮对镟修周期.

关键词：机器学习、小波变换去噪、随机森林算法、列车转向架

所属期刊栏目：29

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金71671044;空间数据挖掘与信息共享教育部重点实验室项目2018LSDMIS09;工信部倍增计划资助项目00101522

在线出版日期：2019-08-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：130-135