基于云平台和深度学习的轨道状态分析研究
发布时间：2021-10-05 13:05
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...
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 论文研究背景及意义
1.2 国内外研究现状
1.2.1 轨道状态分析研究现状
1.2.2 时间序列并行分解研究现状
1.2.3 集成学习研究现状
1.2.4 深度学习与卷积神经网络研究现状
1.3 本文的研究内容及结构安排
1.3.1 本文的研究内容
1.3.2 论文的结构安排
1.4 本章小结
第2章 相关技术研究
2.1 Spark
2.1.1 Spark背景介绍
2.1.2 Spark计算模型
2.2 集成学习
2.2.1 Boosting
2.2.2 Bagging
2.2.3 结合策略
2.3 CNN
2.3.1 CNN特征取
2.3.2 CNN训练方法
2.4 本章小结
第3章 基于Spark的时间序列并行分解模型
3.1 模型设计
3.1.1 模型实例
3.1.2 模型实现
3.2 实验设计与结果分析
3.2.1 一致性验证
3.2.2 性能升验证
3.3 本章小结
第4章 基于Stacking集成模型的轨道-车体振动状态预测方法
4.1 轨道不平顺数据述
4.2 轨道-车体振动状态预测方法分析
4.3 数据预处理
4.3.1 轨道不平顺数据噪声处理
4.3.2 样本构造
4.3.3 样本类别不平衡处理
4.4 特征提取
4.4.1 时域特征
4.4.2 频域特征
4.5 Stacking集成模型设计
4.6 实验设计与结果分析
4.6.1 实验说明
4.6.2 数据集采样实验
4.6.3 基于XGBOOST的特征选择
4.6.4 基于Stacking集成模型的轨道-车振动状态预测
4.7 本章小结
第5章 基于CNN的轨道-车体振动状态预测方法
5.1 数据输入层构建
5.2 基于CNN的轨道-车体振动状态预测模型
5.3 实验设计和结果分析
5.3.1 实验说明
5.3.2 网络结构分析
5.3.3 CNN轨道-车体状态预测结果分析
5.4 本章小结
结论与展望
结论
进一步工作
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果
【参考文献】：
期刊论文
[1]基于EEMD-TEO熵的高速列车轴承故障诊断方法[J]. 靳行,林建辉,伍川辉,邓韬,黄晨光. 西南交通大学学报. 2018(02)
[2]基于深度卷积神经网络的网络流量分类方法[J]. 王勇,周慧怡,俸皓,叶苗,柯文龙. 通信学报. 2018(01)
[3]基于CNN-BLSTM-CRF模型的生物医学命名实体识别[J]. 李丽双,郭元凯. 中文信息学报. 2018(01)
[4]车辆-轨道系统时-空随机分析模型[J]. 徐磊,翟婉明. 铁道学报. 2018(01)
[5]基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究[J]. 孟宗,刘东,岳建辉,詹旭阳,马钊,李晶. 计量学报. 2017(04)
[6]基于轨道局部波动的高速铁路轨道平顺状态评估方法[J]. 陈嵘,李帅,王源,王平,陈俊文. 铁道学报. 2017(02)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]基于多种LBP特征集成学习的人脸识别[J]. 何云,吴怀宇,钟锐. 计算机应用研究. 2018(01)
[9]轨道几何状态综合评价指标参数权重的敏感性分析[J]. 沈坚锋,许玉德,李海锋,仲春艳. 同济大学学报(自然科学版). 2015(11)
[10]轨道不平顺作用下铁路列车车体振动状态的PCA-SVM预测分析[J]. 徐磊,陈宪麦. 铁道学报. 2014(07)
博士论文
[1]高速铁路轨道不平顺功率谱及其与行车品质关系研究[D]. 田国英.西南交通大学 2015
硕士论文
[1]基于数据驱动的轨道不平顺估计方法研究[D]. 林怀青.上海工程技术大学 2016
[2]轨道不平顺的时—频分析及其作用下铁路列车振动响应的联合分析[D]. 徐磊.中南大学 2013
本文编号：3419798
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 论文研究背景及意义
1.2 国内外研究现状
1.2.1 轨道状态分析研究现状
1.2.2 时间序列并行分解研究现状
1.2.3 集成学习研究现状
1.2.4 深度学习与卷积神经网络研究现状
1.3 本文的研究内容及结构安排
1.3.1 本文的研究内容
1.3.2 论文的结构安排
1.4 本章小结
第2章 相关技术研究
2.1 Spark
2.1.1 Spark背景介绍
2.1.2 Spark计算模型
2.2 集成学习
2.2.1 Boosting
2.2.2 Bagging
2.2.3 结合策略
2.3 CNN
2.3.1 CNN特征取
2.3.2 CNN训练方法
2.4 本章小结
第3章 基于Spark的时间序列并行分解模型
3.1 模型设计
3.1.1 模型实例
3.1.2 模型实现
3.2 实验设计与结果分析
3.2.1 一致性验证
3.2.2 性能升验证
3.3 本章小结
第4章 基于Stacking集成模型的轨道-车体振动状态预测方法
4.1 轨道不平顺数据述
4.2 轨道-车体振动状态预测方法分析
4.3 数据预处理
4.3.1 轨道不平顺数据噪声处理
4.3.2 样本构造
4.3.3 样本类别不平衡处理
4.4 特征提取
4.4.1 时域特征
4.4.2 频域特征
4.5 Stacking集成模型设计
4.6 实验设计与结果分析
4.6.1 实验说明
4.6.2 数据集采样实验
4.6.3 基于XGBOOST的特征选择
4.6.4 基于Stacking集成模型的轨道-车振动状态预测
4.7 本章小结
第5章 基于CNN的轨道-车体振动状态预测方法
5.1 数据输入层构建
5.2 基于CNN的轨道-车体振动状态预测模型
5.3 实验设计和结果分析
5.3.1 实验说明
5.3.2 网络结构分析
5.3.3 CNN轨道-车体状态预测结果分析
5.4 本章小结
结论与展望
结论
进一步工作
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果
【参考文献】：
期刊论文
[1]基于EEMD-TEO熵的高速列车轴承故障诊断方法[J]. 靳行,林建辉,伍川辉,邓韬,黄晨光. 西南交通大学学报. 2018(02)
[2]基于深度卷积神经网络的网络流量分类方法[J]. 王勇,周慧怡,俸皓,叶苗,柯文龙. 通信学报. 2018(01)
[3]基于CNN-BLSTM-CRF模型的生物医学命名实体识别[J]. 李丽双,郭元凯. 中文信息学报. 2018(01)
[4]车辆-轨道系统时-空随机分析模型[J]. 徐磊,翟婉明. 铁道学报. 2018(01)
[5]基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究[J]. 孟宗,刘东,岳建辉,詹旭阳,马钊,李晶. 计量学报. 2017(04)
[6]基于轨道局部波动的高速铁路轨道平顺状态评估方法[J]. 陈嵘,李帅,王源,王平,陈俊文. 铁道学报. 2017(02)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]基于多种LBP特征集成学习的人脸识别[J]. 何云,吴怀宇,钟锐. 计算机应用研究. 2018(01)
[9]轨道几何状态综合评价指标参数权重的敏感性分析[J]. 沈坚锋,许玉德,李海锋,仲春艳. 同济大学学报(自然科学版). 2015(11)
[10]轨道不平顺作用下铁路列车车体振动状态的PCA-SVM预测分析[J]. 徐磊,陈宪麦. 铁道学报. 2014(07)
博士论文
[1]高速铁路轨道不平顺功率谱及其与行车品质关系研究[D]. 田国英.西南交通大学 2015
硕士论文
[1]基于数据驱动的轨道不平顺估计方法研究[D]. 林怀青.上海工程技术大学 2016
[2]轨道不平顺的时—频分析及其作用下铁路列车振动响应的联合分析[D]. 徐磊.中南大学 2013
本文编号：3419798
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3419798.html
