原文传递
轨道不平顺数据去噪及TQI预测算法研究
| 论文题名： | 轨道不平顺数据去噪及TQI预测算法研究 |
| 关键词： | 轨道不平顺;轨道质量指数;经验模态分解;模糊阈值法;粒子群优化 |
| 摘要： | 轨道的几何平顺状态是轨道结构部件综合性能的体现。随着我国铁路运营里程和列车载荷量的快速增加，轨道线路几何状态的恶化速度也越来越快，这对铁路工务部门的维护和保养也提出了更高的要求。如何获取准确的轨道检测数据和利用轨道不平顺检测的历史数据对轨道不平顺的发展规律进行科学地研究，合理地预测轨道不平顺的发展趋势，对铁路的养护管理和保证列车安全平稳运行具有重要的现实意义。这已经成为当前铁路部门保证线路平顺性，提高维护效率和减少维修开支的重要手段。 针对轨道动态检测数据中存在噪声的问题，结合聚合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）算法的自适应特性，利用夹角余弦和模糊阈值对原始检测数据进行处理。由夹角余弦法得到噪声主导和信号主导的本征模态函数（Intrinsic Mode Function，IMF）的分界位置，并利用模糊阈值法对噪声主导IMF进行处理，得到消噪信号。在不同信噪比下对三种仿真信号进行去噪实验，结果表明本文算法在整体上优于小波半软阈值，EMD-Soft算法和EMD-IT去噪算法。然后任意截取两段轨道不平顺动态检测数据进行去噪，结果表明本文的去噪算法能够很好地减少轨道动态检测数据所存在的噪声，为轨道不平顺的管理提供更加真实的不平顺数据。 由于我国轨道质量指数（Track Quality Index，TQI）的历史数据积累不足，使得TQI预测为小样本预测。针对TQI发展的趋势性和随机性，文中分别对灰色模型和支持向量机模型进行研究和分析。利用灰色模型对长期预测精度高和支持向量机模型对非线性小样本数据拟合效果好的特点，建立了一种基于灰色和支持向量机（Support vector machine，SVM）的预测模型对未来一段时间的TQI变化趋势进行预测。为了提高模型的预测精度，对传统的灰色模型进行改进，并使用粒子群优化（Particle swarm optimization，PSO）算法进行参数选择。分别对沪昆线上行三段线路的轨道不平顺数据进行预测，结果表明本文所提出的预测模型的预测精度较高，也更加易于程序化的计算。 |
| 作者： | 郭帅锋 |
| 专业： | 电子科学与技术 |
| 导师： | 马子骥 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
