适用复杂劣化趋势的轨道不平顺鲁棒建模方法

发布时间：2021-08-27 18:50

　　为准确描述各种条件下轨道不平顺复杂劣化过程,本文基于最小描述长度准则,建立一套动态检测数据驱动的轨道不平顺劣化自适应分段建模方法（Minimum-DescriptionLength-Based Rail Track Deterioration Adaptive Segmentation Framework, MDL-RTDAS）,将维修作业导致轨道状态劣化过程突变的识别问题转化为模型选择问题,并设计求解算法.根据昌福高速铁路下行方向K21+184～K220+308路段近5年的历史动态检测数据,验证MDLRTDAS的有效性;从识别准确度,模型拟合的残差和容忍检测数据异常干扰方面验证了MDL-RTDAS优于同类模型.结果表明:在缺乏完整、准确维修作业信息的情况下,MDLRTDAS能够克服检测数据异常的干扰,感知劣化趋势变化,自动识别出维修作业造成的轨道不平顺劣化趋势突变,将劣化过程准确分段;相比于同类模型,MDL-RTDAS能更精确、有效地实现轨道不平顺劣化过程的自适应分段建模. 

【文章来源】：交通运输系统工程与信息. 2020,20(05)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

K103+334～K103+534 (位于直线上)

K106+551～K106+751 (位于直线上)

从表4中EMR和ER-SD可得，MDL-RTDAS建立的分段拟合模型残差的均值更接近于0且离散程度更小；从图5(a)可得，MDL-RTDAS的识别准确度高于Auto-PARM；从图5(b)可得，MDL-RTDAS拟合残差的平均绝对值低于Auto-PARM；从图6可得，随着区段中异常检测数据的增加，MDL-RTDAS的识别准确率没有随之变大/变小，说明MDL-RTDAS可克服检测数据异常的影响.综上，MDL-RTDAS更适用于轨道高低不平顺劣化自适应分段建模，且具有一定的鲁棒性.图6 异常检测数据对MDL-RTDAS识别准确率的影响

【参考文献】：
期刊论文
[1]基于改进灰色-马尔可夫链的轨道不平顺发展预测方法[J]. 曲建军,高亮,辛涛,郑晓莉.  北京交通大学学报. 2010(04)



本文编号：3366899