铁道学报
鐵道學報
철도학보
2014年
7期
16-23
,共8页
轨道不平顺%车体振动%特征参数%主成分分析%支持向量机%分类预测
軌道不平順%車體振動%特徵參數%主成分分析%支持嚮量機%分類預測
궤도불평순%차체진동%특정삼수%주성분분석%지지향량궤%분류예측
track irregularity%car-body vibration%characteristic parameter%principal component analysis (PCA)%support vector machine (SVM)%classified prediction
为快速预测铁路机车车辆在不平顺轨道上的的振动状态，根据车体振动加速度的3个评价指标(绝对峰值、标准差、绝对平均值)，提出基于PCA-SVM方法的车体振动状态分类预测模型。首先对不同评价指标和车体振动状态下的轨道不平顺样本进行聚类，提取轨道不平顺样本中的特征统计参数，并进行 PCA参数降维和信息优化，最后以不同状态下各种评价指标的车体振动主要特征值为训练样本，构建 SVM多类分类器。对轨道检查车多次实地检测的数据采用PCA-SVM分类器计算的分析结果表明：绝对均值、方根均值、方根幅值等主要轨道不平顺统计参数控制车体的整体振动状态，其他特征参数起调节车体振动的作用；采用扭曲和水平不平顺作为预测模型的输入，可使车体振动状态的测算准确率达到90%以上。
為快速預測鐵路機車車輛在不平順軌道上的的振動狀態，根據車體振動加速度的3箇評價指標(絕對峰值、標準差、絕對平均值)，提齣基于PCA-SVM方法的車體振動狀態分類預測模型。首先對不同評價指標和車體振動狀態下的軌道不平順樣本進行聚類，提取軌道不平順樣本中的特徵統計參數，併進行 PCA參數降維和信息優化，最後以不同狀態下各種評價指標的車體振動主要特徵值為訓練樣本，構建 SVM多類分類器。對軌道檢查車多次實地檢測的數據採用PCA-SVM分類器計算的分析結果錶明：絕對均值、方根均值、方根幅值等主要軌道不平順統計參數控製車體的整體振動狀態，其他特徵參數起調節車體振動的作用；採用扭麯和水平不平順作為預測模型的輸入，可使車體振動狀態的測算準確率達到90%以上。
위쾌속예측철로궤차차량재불평순궤도상적적진동상태，근거차체진동가속도적3개평개지표(절대봉치、표준차、절대평균치)，제출기우PCA-SVM방법적차체진동상태분류예측모형。수선대불동평개지표화차체진동상태하적궤도불평순양본진행취류，제취궤도불평순양본중적특정통계삼수，병진행 PCA삼수강유화신식우화，최후이불동상태하각충평개지표적차체진동주요특정치위훈련양본，구건 SVM다류분류기。대궤도검사차다차실지검측적수거채용PCA-SVM분류기계산적분석결과표명：절대균치、방근균치、방근폭치등주요궤도불평순통계삼수공제차체적정체진동상태，기타특정삼수기조절차체진동적작용；채용뉴곡화수평불평순작위예측모형적수입，가사차체진동상태적측산준학솔체도90%이상。
In order to achieve fast prediction of car-body vibration states of railway locomotives and vehicles, this paper put forward the PCA-SVM based dassified car-body vibration prediction model according to three e-valuation indexes (the absolute peak,standard deviation,and absolute mean value)of the car-body vibration acceleration.Firstly,we clustered the track irregularity samples under different evaluation indexes and differ-ent car-body vibration states respectively,extracted the characteristic statistical parameters,and then the process of PCA dimensionality reduction and message optimization was conducted.At last,we constructed the SVM multi-class classifiers by training the principal components samples.Analyzing the data measured by track inspection cars in multiple field tests with the PCA-SVM classifier,we get the following results:The ab-solute mean value,root-mean-square value and root amplitude,etc.are the main statistical track irregularity parameters for control of overall car-body vibration states,and the other characteristic parameters play the role of regulating car-body vibrations;putting the track twist irregularity and cross-level irregularity as the input of the prediction model,we can obtain more than 90% of the accuracy in predicting car-body vibration states.
