中國(guó)鐵路事業(yè)快速發(fā)展,對(duì)軌道的穩(wěn)定、安全和耐久性也出了更高的要求。高鐵速度的不斷升,車體和軌道之間的相互作用也更加強(qiáng)烈,使得車體對(duì)軌道的動(dòng)力破壞也更加嚴(yán)重,同時(shí)軌道狀態(tài)惡化又反過來威脅著列車的運(yùn)行安全。因此,結(jié)合軌道幾何不平順和車體動(dòng)態(tài)響應(yīng)的綜合軌道狀態(tài)分析具有重要研究?jī)r(jià)值。云計(jì)算、大數(shù)據(jù)等新一代互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,使得人們可以利用高效、低成本的計(jì)算資源分析海量數(shù)據(jù),這使得鐵路工務(wù)部門積累的海量軌道不平順數(shù)據(jù)分析在技術(shù)上己經(jīng)可行。本文從實(shí)測(cè)軌道不平順數(shù)據(jù)出發(fā),借助云平臺(tái)強(qiáng)大的計(jì)算能力,并利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)理論構(gòu)建了軌道-車體振動(dòng)狀態(tài)預(yù)測(cè)模型。論文主要工作包括以下幾個(gè)方面:首先,構(gòu)建了一種基于Spark的時(shí)間序列并行分解模型以加速軌道不平順數(shù)據(jù)特征取,我們先對(duì)時(shí)間序列切分冗余,然后將帶有冗余的時(shí)間子序列分發(fā)給Spark集群的計(jì)算節(jié)點(diǎn)進(jìn)行序列分解,最后合并各計(jì)算節(jié)點(diǎn)中間結(jié)果得到最終結(jié)果。通過實(shí)驗(yàn)驗(yàn)證了所出的模型可以有效地分解大規(guī)模時(shí)間序列。其次,設(shè)計(jì)了基于Stacking集成模型的軌道-車體振動(dòng)狀態(tài)預(yù)測(cè)方法。針對(duì)傳統(tǒng)振動(dòng)狀態(tài)預(yù)測(cè)模型泛化能力較弱的問題,我們先使用小波分解濾除軌道不平順... 

【文章來源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 論文研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 軌道狀態(tài)分析研究現(xiàn)狀
        1.2.2 時(shí)間序列并行分解研究現(xiàn)狀
        1.2.3 集成學(xué)習(xí)研究現(xiàn)狀
        1.2.4 深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
    1.3 本文的研究?jī)?nèi)容及結(jié)構(gòu)安排
        1.3.1 本文的研究?jī)?nèi)容
        1.3.2 論文的結(jié)構(gòu)安排
    1.4 本章小結(jié)
第2章 相關(guān)技術(shù)研究
    2.1 Spark
        2.1.1 Spark背景介紹
        2.1.2 Spark計(jì)算模型
    2.2 集成學(xué)習(xí)
        2.2.1 Boosting
        2.2.2 Bagging
        2.2.3 結(jié)合策略
    2.3 CNN
        2.3.1 CNN特征取
        2.3.2 CNN訓(xùn)練方法
    2.4 本章小結(jié)
第3章 基于Spark的時(shí)間序列并行分解模型
    3.1 模型設(shè)計(jì)
        3.1.1 模型實(shí)例
        3.1.2 模型實(shí)現(xiàn)
    3.2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        3.2.1 一致性驗(yàn)證
        3.2.2 性能升驗(yàn)證
    3.3 本章小結(jié)
第4章 基于Stacking集成模型的軌道-車體振動(dòng)狀態(tài)預(yù)測(cè)方法
    4.1 軌道不平順數(shù)據(jù)述
    4.2 軌道-車體振動(dòng)狀態(tài)預(yù)測(cè)方法分析
    4.3 數(shù)據(jù)預(yù)處理
        4.3.1 軌道不平順數(shù)據(jù)噪聲處理
        4.3.2 樣本構(gòu)造
        4.3.3 樣本類別不平衡處理
    4.4 特征提取
        4.4.1 時(shí)域特征
        4.4.2 頻域特征
    4.5 Stacking集成模型設(shè)計(jì)
    4.6 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.6.1 實(shí)驗(yàn)說明
        4.6.2 數(shù)據(jù)集采樣實(shí)驗(yàn)
        4.6.3 基于XGBOOST的特征選擇
        4.6.4 基于Stacking集成模型的軌道-車振動(dòng)狀態(tài)預(yù)測(cè)
    4.7 本章小結(jié)
第5章 基于CNN的軌道-車體振動(dòng)狀態(tài)預(yù)測(cè)方法
    5.1 數(shù)據(jù)輸入層構(gòu)建
    5.2 基于CNN的軌道-車體振動(dòng)狀態(tài)預(yù)測(cè)模型
    5.3 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析
        5.3.1 實(shí)驗(yàn)說明
        5.3.2 網(wǎng)絡(luò)結(jié)構(gòu)分析
        5.3.3 CNN軌道-車體狀態(tài)預(yù)測(cè)結(jié)果分析
    5.4 本章小結(jié)
結(jié)論與展望
    結(jié)論
    進(jìn)一步工作
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于EEMD-TEO熵的高速列車軸承故障診斷方法[J]. 靳行,林建輝,伍川輝,鄧韜,黃晨光.  西南交通大學(xué)學(xué)報(bào). 2018(02)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類方法[J]. 王勇,周慧怡,俸皓,葉苗,柯文龍.  通信學(xué)報(bào). 2018(01)
[3]基于CNN-BLSTM-CRF模型的生物醫(yī)學(xué)命名實(shí)體識(shí)別[J]. 李麗雙,郭元?jiǎng)P.  中文信息學(xué)報(bào). 2018(01)
[4]車輛-軌道系統(tǒng)時(shí)-空隨機(jī)分析模型[J]. 徐磊,翟婉明.  鐵道學(xué)報(bào). 2018(01)
[5]基于DEMD局部時(shí)頻熵和SVM的風(fēng)電齒輪箱故障診斷方法研究[J]. 孟宗,劉東,岳建輝,詹旭陽,馬釗,李晶.  計(jì)量學(xué)報(bào). 2017(04)
[6]基于軌道局部波動(dòng)的高速鐵路軌道平順狀態(tài)評(píng)估方法[J]. 陳嶸,李帥,王源,王平,陳俊文.  鐵道學(xué)報(bào). 2017(02)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[8]基于多種LBP特征集成學(xué)習(xí)的人臉識(shí)別[J]. 何云,吳懷宇,鐘銳.  計(jì)算機(jī)應(yīng)用研究. 2018(01)
[9]軌道幾何狀態(tài)綜合評(píng)價(jià)指標(biāo)參數(shù)權(quán)重的敏感性分析[J]. 沈堅(jiān)鋒,許玉德,李海鋒,仲春艷.  同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(11)
[10]軌道不平順作用下鐵路列車車體振動(dòng)狀態(tài)的PCA-SVM預(yù)測(cè)分析[J]. 徐磊,陳憲麥.  鐵道學(xué)報(bào). 2014(07)

博士論文
[1]高速鐵路軌道不平順功率譜及其與行車品質(zhì)關(guān)系研究[D]. 田國(guó)英.西南交通大學(xué) 2015

碩士論文
[1]基于數(shù)據(jù)驅(qū)動(dòng)的軌道不平順估計(jì)方法研究[D]. 林懷青.上海工程技術(shù)大學(xué) 2016
[2]軌道不平順的時(shí)—頻分析及其作用下鐵路列車振動(dòng)響應(yīng)的聯(lián)合分析[D]. 徐磊.中南大學(xué) 2013



本文編號(hào)：3419798