基于数据驱动的高速铁路动车组列车头尾车车轮踏面缺陷预测方法  

Data-driven Prediction Method for High-speed Railway EMU Train Front and Rear Car Wheel Tread Defects

作　　者：王文琦 宋冬利[1] 李林 刘翊 张卫华[1] 郑则君 WANG Wenqi;SONG Dongli;LI Lin;LIU Yi;ZHANG Weihua;ZHENG Zejun(State Key Laboratory of Rail Transit Vehicle System,Southwest Jiaotong University,610031,Chengdu,China;Zhuzhou Guochuang Track Technology Co.,Ltd.,412007,Zhuzhou,China)

机构地区：[1]西南交通大学轨道交通运载系统全国重点实验室,成都610031 [2]株洲国创轨道科技有限公司,株洲412007

出　　处：《城市轨道交通研究》2024年第4期28-32,共5页Urban Mass Transit

基　　金：国家重点研发计划项目(2019YFB1405401);西南交通大学学科交叉基础研究项目(2682021ZTPY099)。

摘　　要：[目的]踏面缺陷是高速铁路动车组列车车轮失效的主要表现形式之一,严重影响了动车组运行的安全性及乘客的乘坐舒适性。车轮踏面缺陷主要集中在头尾车,可能是多种因素共同作用的结果,需要寻找一种能综合多种影响因素的预测方法。[方法]基于某铁路局动车组列车的车轮镟修数据,每个数据样本包括10个特征(4个名义特征和6个连续特征),对数据进行预处理。通过合成少数类样本过采样技术对不平衡数据集进行处理,构建了标准化数据集。建立了DNN(深度神经网络)模型,对底层特征进行组合,形成了特征的高层抽象表示。通过网络结构调整和超参数优化得到了模型的最优学习效果。对模型进行训练并测试,验证了该模型的预测效果。[结果及结论]基于数据驱动的头尾车车轮踏面缺陷预测方法具有较高的预测精度和较优的综合性能,其预测精确率达92.5%,可有效预测头尾车车轮踏面损伤的发生概率。representation of the features.The optimal learning performance of the model is achieved through network structure adjustment and hyperparameter optimization.The model is trained and tested to verify its prediction effect.[Result&Conclusion]The data-driven prediction method for wheel tread defects of front and rear cars demonstrates high-predictive accuracy and relatively excellent comprehensive performance,achieving a precision rate of 92.5%.Thus the probability of wheel tread damage of front and rear cars can be effectively predicted.

关 键 词：高速铁路 动车组 数字驱动 踏面缺陷 过采样技术 深度神经网络 超参数优化 

分 类 号：U463.34[机械工程—车辆工程] U269.6[交通运输工程—载运工具运用工程]