本发明属于列车的轴温估计技术领域,具体涉及一种基于工况的多模型融合列车轴温估计方法。
背景技术
由于人口数量、商业贸易的飞速发展以及能源的日渐枯竭,汽车、飞机等交通运输方式已无法提供理想的运能,面对这一困境,科学家和工程师们逐渐将目光投向了轨道交通。作为一种历史悠久的交通运输方式,轨道交通具有运能大、准点率高、速度快、安全性高、空间占用率低、能耗低、绿色环保、受天气影响小、造价低等突出优势,是解决当前运能低下、资源短缺等困境的有效手段。
车轴是列车的关键部件,由于轴承磨损、安装的技术、使用条件以及负载等因素,列车的车轴轴承难免会出现磨损、剥落等情况。在列车运行过程中,列车和钢轨之间的频繁撞击会导致车辆轴承发热,因此轴温数据能够真实地反映列车运行状况。当出现油脂过多、缺少或变质、轴承内混有异物以及轴承内部损坏等情况时,轴承就会产生不正常升温的状况,导致热轴故障。如果能根据已有轴温数据准确地对轴温进行估计,就可以有效地对热轴故障进行预警,进而实现提前对车轴故障进行排查、处理,避免重大安全事故的发生,有力地保障旅客生命财产安全。
技术实现要素:
本发明的目的是提供一种基于工况的多模型融合列车轴温估计方法,解决了现有技术中存在的列车轴温估计的准确度差,鲁棒性以及模型的泛化能力弱的问题。
本发明所采用的技术方案是,一种基于工况的多模型融合列车轴温估计方法,具体按照以下步骤实施:
步骤1、针对高速列车在牵引、制动、惰行不同运行工况下,轴温数据的特征,将轴温数据分为加速阶段轴温数据、平稳运行阶段轴温数据、减速阶段三个部分轴温数据,并对不同运行工况下的轴温数据进行相关性分析;
步骤2、对不同运行工况下的轴温数据采用多元回归法lr进行估计,并计算该模型的决定系数r2;
步骤3、对不同运行工况下的轴温数据采用随机森林法rf进行估计,并计算该模型的决定系数r2;
步骤4、对不同运行工况下的轴温数据采用梯度回归树法gbdt进行估计,并计算该模型的决定系数r2;
步骤5、根据步骤2、步骤3、步骤4得到不同工况下基于不同模型的决定系数r2,计算响应工况下模型的权重,并按照该权重对不同工况下的轴温估计模型进行融合。
本发明的特点还在于,
步骤1具体按照以下步骤实施:
步骤1.1、根据列车的速度数据将列车的轴温数据分为加速阶段轴温数据、平稳运行阶段轴温数据、减速阶段轴温数据;
步骤1.2、对不同阶段的轴温数据进行相关性分析,得到不同运行工况下影响轴温变化的变量为:环境温度c、速度v、运行时间t、载重l、初始轴温t0。
步骤2具体按照以下步骤实施:
步骤2.1、根据步骤1.2中得到的影响轴温变化的变量,采用多元回归法建立基于lr的轴温估计模型;
步骤2.2、将列车加速运行阶段的轴温监测数据、运行时间和初始轴温数据带入步骤2.1所建的基于lr的轴温估计模型中,计算得到列车加速运行阶段基于多元回归的轴温预测模型
步骤2.3、将列车平稳运行阶段的轴温监测数据、运行时间和初始轴温数据带入步骤2.1所建的基于lr的轴温估计模型中,计算得到列车平稳运行阶段基于多元回归的轴温预测模型
步骤2.4、将列车减速运行阶段的轴温监测数据、运行时间和初始轴温数据带入步骤2.1所建的基于lr的轴温估计模型中,计算得到列车减速运行阶段基于多元回归的轴温估计模型
步骤2.5、分别将各个运行阶段的测试数据带入对步骤2.2、步骤2.3、步骤2.4建立的模型中并对轴温进行估计,然后计算模型
步骤3具体按照以下步骤实施:
步骤3.1、将列车不同运行阶段下的轴温数据分别输入到随机森林模型中,训练出基于随机森林的列车轴温估计模型;
步骤3.2、采用列车在加速运行工况下的轴温数据训练出该工况下基于随机森铃的轴温估计模型
步骤3.3、采用列车在平稳运行工况下的轴温数据训练出该工况下基于随机森铃的轴温估计模型
步骤3.4、采用列车在减速运行工况下的轴温数据训练出该工况下基于随机森铃的轴温估计模型
步骤3.5、分别将各个运行阶段的测试数据带入对步骤3.2、步骤3.3、步骤3.4建立的模型中并对轴温进行估计,然后计算模型
步骤3.1中随机森林算法具体流程为:
步骤3.1.1、采用bagging法有放回地从原始训练数据集中随机抽取m个新的样本集;
步骤3.1.2、对上述m个样本集进行n次采样生成n个训练集;
步骤3.1.3、将上述n个训练集训练成n个决策树;
步骤3.1.4、对于每个决策树根据信息增益比选择最好的特征进行分裂,直至节点的所有训练例都一样,则停止分裂,决策树的分裂过程中不进行修剪;
步骤3.1.5、将生成的决策树组合在一起,得到随机森林;
步骤3.1.6、采用生成的随机森林对轴温进行估计,最终的估计值由多有决策树的均值决定。
步骤4具体按照以下步骤实施:
步骤4.1、将列车不同运行阶段下的轴温数据分别输入到梯度回归树模型中,训练出基于梯度回归树的轴温估计模型;
步骤42、采用列车在加速运行工况下的轴温数据训练出该工况下基于梯度回归树的轴温估计模型
步骤4.3、:采用列车在平稳运行工况下的轴温数据训练出该工况下基于梯度回归树的轴温预测模型
步骤4.4、采用列车在减速运行工况下的轴温数据训练出该工况下基于梯度回归树的轴温预测模型
步骤4.5、分别将各个运行阶段的测试数据带入对步骤4.2、步骤4.3、步骤4.4建立的模型中进行轴温估计,并分别计算模型
步骤4.1中梯度回归树的具体流程为:
步骤4.1.1、输入轴温训练数据集并初始化损失函数;
步骤4.1.2、计算每个决策树损失函数的当前负梯度值,并基于该值拟合新的回归树,并利用线性搜索法估计使得损失函数最小的叶节点区域的值;
步骤4.1.3、更新损失函数,直至得到最终模型。
步骤5具体按照以下步骤实施:
步骤5.1、采用步骤2.5、步骤3.5、步骤4.5中基于三种不同算法的加速运行工况下轴温估计模型的决定系数计算不同模型的权重:
式中,
步骤5.2、根据步骤5.1中计算得到的轴温模型权重,对加速运行工况下的轴温估计模型进行融合,得到该工况下的融合轴温估计模型:
步骤5.3、采用步骤2.5、步骤3.5、步骤4.5中基于三种不同算法的平稳运行工况下轴温估计模型的决定系数来计算不同模型的权重:
式中,
步骤5.4、根据步骤5.3中计算得到的轴温模型权重,对平稳运行工况下的轴温估计模型进行融合,得到该工况下的融合轴温估计模型:
步骤5.5、采用步骤2.5、步骤3.5、步骤4.5中基于三种不同算法的减速运行工况下轴温估计模型的决定系数来计算不同模型的权重:
式中,
步骤5.6、根据步骤5.5中计算得到的轴温模型权重,对减速运行工况下的轴温估计模型进行融合,得到该工况下的融合轴温估计模型:
本发明的有益效果是,一种基于工况的多模型融合列车轴温估计方法,由于列车整体运行轴温数据之间的规律性不强,关系复杂,因此直接实现整体运行阶段的轴温估计存在一定的困难。经过分析发现,列车轴温数据在不同的运行工况下存在很强的规律性,于是提出根据列车运行工况将轴温数据分为加速、平稳、减速三类。分别通过多元回归(lr)、随机森林(rf)、梯度回归树(gbdt)建立不同工况下的轴温估计模型,然后采用模型的决定系数计算不用工况下模型的权重,并依照该权重融合出不同工况下的轴温估计模型。该方法提升了轴温估计的准确度,鲁棒性以及模型的泛化能力,使得模型间形成优势互补,有效地实现了对轴温数据的准确估计。
附图说明
图1是本发明一种基于工况的多模型融合列车轴温估计方法的流程图图;
图2是本发明一种基于工况的多模型融合列车轴温估计方法中基于工况的多模型融合轴温估计流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
车轴是列车的关键部件,对列车的安全起着极其重要的作用,在列车运行过程中,列车和钢轨之间的频繁撞击会导致车辆轴承发热,因此轴温能够真实的反映列车运行状况。轴承是列车走行部的关键零件,在列车高速运行时,轴承不仅会受到车轮与其的撞击,还要承受列车自身的重量,因此轴承就会逐渐发热。当出现油脂过多、缺少或变质、轴承内混有异物以及轴承内部损坏等情况时,轴承就会产生不正常升温的状况,导致热轴故障。因此根据已有轴温数据准确的对未来轴温进行估计,就显得十分重要。
本发明一种基于工况的多模型融合列车轴温估计方法,如图1~图2所示,具体按照以下步骤实施:
步骤1、针对高速列车在牵引、制动、惰行不同运行工况下,轴温数据的特征,将轴温数据分为加速阶段轴温数据、平稳运行阶段轴温数据、减速阶段三个部分轴温数据,并对不同运行工况下的轴温数据进行相关性分析,具体按照以下步骤实施:
步骤1.1、根据列车的速度数据将列车的轴温数据分为加速阶段轴温数据、平稳运行阶段轴温数据、减速阶段轴温数据;
步骤1.2、对不同阶段的轴温数据进行相关性分析,得到不同运行工况下影响轴温变化的变量为:环境温度c、速度v、运行时间t、载重l、初始轴温t0;
步骤2、对不同运行工况下的轴温数据采用多元回归法lr进行估计,并计算该模型的决定系数r2,具体按照以下步骤实施:
步骤2.1、根据步骤1.2中得到的影响轴温变化的变量,采用多元回归法建立基于lr的轴温估计模型;
步骤2.2、将列车加速运行阶段的轴温监测数据、运行时间和初始轴温数据带入步骤2.1所建的基于lr的轴温估计模型中,计算得到列车加速运行阶段基于多元回归的轴温预测模型
步骤2.3、将列车平稳运行阶段的轴温监测数据、运行时间和初始轴温数据带入步骤21所建的基于lr的轴温估计模型中,计算得到列车平稳运行阶段基于多元回归的轴温预测模型
步骤2.4、将列车减速运行阶段的轴温监测数据、运行时间和初始轴温数据带入步骤2.1所建的基于lr的轴温估计模型中,计算得到列车减速运行阶段基于多元回归的轴温估计模型
步骤2.5、分别将各个运行阶段的测试数据带入对步骤2.2、步骤2.3、步骤2.4建立的模型中并对轴温进行估计,然后计算模型
步骤3、对不同运行工况下的轴温数据采用随机森林法rf进行估计,并计算该模型的决定系数r2,具体按照以下步骤实施:
步骤3.1、将列车不同运行阶段下的轴温数据分别输入到随机森林模型中,训练出基于随机森林的列车轴温估计模型;
步骤3.2、采用列车在加速运行工况下的轴温数据训练出该工况下基于随机森铃的轴温估计模型
步骤3.3、采用列车在平稳运行工况下的轴温数据训练出该工况下基于随机森铃的轴温估计模型
步骤3.4、采用列车在减速运行工况下的轴温数据训练出该工况下基于随机森铃的轴温估计模型
步骤3.5、分别将各个运行阶段的测试数据带入对步骤3.2、步骤3.3、步骤3.4建立的模型中并对轴温进行估计,然后计算模型
其中,步骤3.1中随机森林算法具体流程为:
步骤3.1.1、采用bagging法有放回地从原始训练数据集中随机抽取m个新的样本集;
步骤3.1.2、对上述m个样本集进行n次采样生成n个训练集;
步骤3.1.3、将上述n个训练集训练成n个决策树;
步骤3.1.4、对于每个决策树根据信息增益比选择最好的特征进行分裂,直至节点的所有训练例都一样,则停止分裂,决策树的分裂过程中不进行修剪;
步骤3.1.5、将生成的决策树组合在一起,得到随机森林;
步骤3.1.6、采用生成的随机森林对轴温进行估计,最终的估计值由多有决策树的均值决定;
步骤4、对不同运行工况下的轴温数据采用梯度回归树法gbdt进行估计,并计算该模型的决定系数r2,具体按照以下步骤实施:
步骤4.1、将列车不同运行阶段下的轴温数据分别输入到梯度回归树模型中,训练出基于梯度回归树的轴温估计模型;
步骤4.2、采用列车在加速运行工况下的轴温数据训练出该工况下基于梯度回归树的轴温估计模型
步骤4.3、:采用列车在平稳运行工况下的轴温数据训练出该工况下基于梯度回归树的轴温预测模型
步骤4.4、采用列车在减速运行工况下的轴温数据训练出该工况下基于梯度回归树的轴温预测模型
步骤4.5、分别将各个运行阶段的测试数据带入对步骤4.2、步骤4.3、步骤4.4建立的模型中进行轴温估计,并分别计算模型
其中,步骤4.1中梯度回归树的具体流程为:
步骤4.1.1、输入轴温训练数据集并初始化损失函数;
步骤4.1.2、计算每个决策树损失函数的当前负梯度值,并基于该值拟合新的回归树,并利用线性搜索法估计使得损失函数最小的叶节点区域的值;
步骤4.1.3、更新损失函数,直至得到最终模型;
步骤5、根据步骤2、步骤3、步骤4得到不同工况下基于不同模型的决定系数r2,计算响应工况下模型的权重,并按照该权重对不同工况下的轴温估计模型进行融合,具体按照以下步骤实施:
步骤5.1、采用步骤2.5、步骤3.5、步骤4.5中基于三种不同算法的加速运行工况下轴温估计模型的决定系数计算不同模型的权重:
式中,
步骤5.2、根据步骤5.1中计算得到的轴温模型权重,对加速运行工况下的轴温估计模型进行融合,得到该工况下的融合轴温估计模型:
步骤5.3、采用步骤2.5、步骤3.5、步骤4.5中基于三种不同算法的平稳运行工况下轴温估计模型的决定系数来计算不同模型的权重:
式中,
步骤5.4、根据步骤5.3中计算得到的轴温模型权重,对平稳运行工况下的轴温估计模型进行融合,得到该工况下的融合轴温估计模型:
步骤5.5、采用步骤2.5、步骤3.5、步骤4.5中基于三种不同算法的减速运行工况下轴温估计模型的决定系数来计算不同模型的权重:
式中,
步骤5.6、根据步骤5.5中计算得到的轴温模型权重,对减速运行工况下的轴温估计模型进行融合,得到该工况下的融合轴温估计模型: