面向安全大数据应用的车辆设备健康状态评估及预测研究

发布时间：2021-01-09 05:32

　　安全是铁路运输生产、经营管理工作的重中之重,直接关系到国计民生。随着高速铁路的快速发展和铁路信息化建设的逐步完善,中国铁路已积累了海量的安全数据,且各类数据增量极快,中国铁路已进入了大数据时代,大数据技术的不断进步为铁路安全带来了更高新的可能性。国际铁路联盟（UIC）发布的2017年铁路安全公告报告指出,铁路事故故障的致因主要来自于“人为”因素和“设备”因素两个方面,在大数据背景下,如何避免“物的不稳定状态和人的不安全因素”,从“物防”和“人防”角度防范事故故障发生成为铁路行业亟待解决的核心问题。车辆设备是铁路运输系统的核心组成部分,车辆设备的健康状态直接影响到铁路运输系统的正常运转。车辆设备健康状态预测及评估模型从“物防”角度出发,通过融合车辆设备的基本台账信息、动检信息、静检信息、维修信息、历史事故故障等大量数据,构建车辆设备全方位可视化模型,并针对这些设备的健康状态进行评估,通过开展安全预测建模分析,避免“物的不稳定状态”发生,从而实现事故故障的超前防范。本论文依托于某路局安全大数据应用项目,在项目过程中,经过与业务部门多次研讨,确立了车辆设备健康状态评估指标体系,以动车组设备为... 

【文章来源】：中国铁道科学研究院北京市

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

事故故障致因分析

SVR模型调参流程图

平均绝对百分误差均值为 0.073。二者相比，多元线性回归具的预测精度及良好的建模效果。（2）初始数据仿真与模拟能力比较将 2017 年真实值作为测试样本，观察两个模型处理真实值回归模拟值上，实验分为四个部分，共 1200 组数据，每组 300 个样例，四组实验中模拟实值之间的误差关系如图 4-4 所示：

【参考文献】：
期刊论文
[1]基于ARIMA时间序列模型的销售量预测分析[J]. 葛娜,孙连英,赵平,万莹.  北京联合大学学报. 2018(04)
[2]基于LSTM网络模型的菜品销量预测[J]. 马超群,王晓峰.  现代计算机(专业版). 2018(23)
[3]基于LSTM递归神经网络的番茄目标产量时间序列预测[J]. 周瑞,魏正英,张育斌,张千.  节水灌溉. 2018(08)
[4]知识图谱技术研究综述[J]. 欧艳鹏.  电子世界. 2018(13)
[5]知识图谱研究综述[J]. 李涓子,侯磊.  山西大学学报(自然科学版). 2017(03)
[6]PHM技术国内外发展情况综述[J]. 吕琛,马剑,王自力.  计算机测量与控制. 2016(09)
[7]铁路大数据平台总体方案及关键技术研究[J]. 史天运,刘军,李平,马小宁.  铁路计算机应用. 2016(09)
[8]知识图谱技术综述[J]. 徐增林,盛泳潘,贺丽荣,王雅芳.  电子科技大学学报. 2016(04)
[9]知识图谱构建技术综述[J]. 刘峤,李杨,段宏,刘瑶,秦志光.  计算机研究与发展. 2016(03)
[10]基于健康指数的轨道电路设备寿命预测方法的研究[J]. 张凤霞,米根锁.  铁道学报. 2015(12)

博士论文
[1]高速铁路行车安全机理及相关应用问题研究[D]. 张光远.西南交通大学 2010

硕士论文
[1]面向大数据应用的铁路主数据管理关键技术研究[D]. 刘艺飞.中国铁道科学研究院 2018
[2]某型燃气轮机气路系统健康状态评估技术研究[D]. 肖杰.沈阳航空航天大学 2018
[3]动车组轴箱轴承健康状态评估与趋势分析[D]. 舒敏.北京交通大学 2018
[4]750kV变压器的健康状态评估[D]. 何曦.兰州交通大学 2017
[5]互联网理财系统的设计与实现[D]. 马晓军.北京交通大学 2017
[6]WTD车载设备在线监测与健康评估技术研究与应用[D]. 刘春.北京交通大学 2017
[7]基于决策树算法的ZPW-2000A轨道电路故障诊断[D]. 吴志鹏.西南交通大学 2016
[8]地铁车辆设备单元健康状态评估与维修决策[D]. 谭鸿愿.西南交通大学 2016
[9]高铁动车组故障预测与健康管理关键技术的研究[D]. 朱帅军.北京交通大学 2016
[10]基于人工神经网络的煤矿安全评价研究[D]. 胡瑞卿.安徽理工大学 2015



本文编号：2966065