Prediction model of subway pantograph slide pan wear trend based on LSSVR
-
摘要: 针对列车供电系统中重要组成部分之一的受电弓滑板磨耗问题，设计了一款预测模型对地铁受电弓滑板磨耗趋势进行有效的拟合和预测，弥补了现有的检测系统只能对受电弓进行实时检测的不足。利用线性支持向量回归（SVR-Linear）、最小二乘支持向量回归（LSSVR）和优化后的最小二乘支持向量回归（MI-LSSVR）对检测系统得到的受电弓滑板数据进行训练和拟合，并利用训练后的模型实现滑板磨耗的预测，其中，MI-LSSVR的拟合精度最高，达到97.3%。此外，利用地铁行走的里程数据进行预测，提前得到下一次运行后的滑板厚度，在滑板即将磨耗到限时进行预测，可得到滑板还能承受的运行里程，减少受电弓检修人员的工作量，提高受电弓的使用效率。Abstract: This paper designed a prediction model to effectively fit and predict the pantograph slide pan wear trend, which made up for the deficiency that the existing detection system could only detect the pantograph in real time. The paper used the linear support vector regression (SVR linear), least square support vector regression (LSSVR) and optimized least square support vector regression (MI-LSSVR) to train and fit the pantograph slide pan data obtained by the detection system, and used the model after training to predict the wear of the slide pan.The fitting accuracy of MILSSVR could reach 97.3%.In addition, the model could also be used to predict the thickness of the slide pan after the next operation in advance by using the mileage data of subway.When the slide pan was about to wear to the limit, the model could be used to predict the operating mileage that the slide pan could bear, reduce the workload of pantograph maintenance personnel, and improve the use efficiency of pantograph.
-
表 1 不同模型的评价系数
模型 评价系数 MSE R2 预测值1 预测值2 预测值3 SVR-linear 0.227 0.971 26.435 25.086 Warning LSSVR 0.221 0.972 26.425 Warning Warning MI-LSSVR 0.213 0.973 26.424 Waring Warning 
下载: 导出CSV
-
[1] 姚小文.基于图像处理的城轨列车受电弓检测技术研究[D].南京: 南京理工大学, 2017. [2] 曾攀.基于计算机视觉的受电弓滑板磨耗图像的识别[J].无线互联科技, 2016(7): 104-106. https://www.cnki.com.cn/Article/CJFDTOTAL-WXHK201607052.htm [3] 董霖.载流摩擦磨损机理研究[D].成都: 西南交通大学, 2008. [4] 贾步超.载流条件下1Cr18Ni9Ti/浸金属碳摩擦磨损性能研究[D].成都: 西南交通大学, 2008. [5] 赵燕霞.柔性接触条件对载流摩擦磨损特性的影响[D].洛阳: 河南科技大学, 2011. [6] 李鹏, 张永振, 李健.载流条件下铬青铜/纯铜摩擦副摩擦磨损性能研究[J].润滑与密封, 2007, 32(2): 1-3. doi: 10.3969/j.issn.0254-0150.2007.02.001 [7] 张婧琳. Cu/QCr0.5载流条件下摩擦磨损性能的研究[D].洛阳: 河南科技大学, 2010. [8] 汪逸安, 李金许, 乔利杰.电流及其极性对浸铜碳滑板摩擦磨损性能的影响[J].金属学报, 2012, 48(4): 480-484. https://www.cnki.com.cn/Article/CJFDTOTAL-JSXB201204016.htm [9] 李彦杰.弓网摩擦部件损伤的统计分析以及预防措施的研究[D].成都: 西南交通大学, 2015. [10] 李燕, 张瑜, 周军伟.动车组故障预测与健康管理系统方案研究[J].铁路计算机应用, 2018, 27(9): 7-13. http://tljsjyy.xml-journal.net/article/id/4426 [11] 宋苏民, 旷文珍, 许丽. RBF神经网络在铁路货运量预测中的应用[J].铁路计算机应用, 2017, 26(1): 47-51. http://tljsjyy.xml-journal.net/article/id/4120 [12] 鄂加强.智能故障诊断及其应用[M].长沙:湖南大学出版社, 2006. [13] 孙建树, 娄渊胜, 陈裕俊.基于ARIMA-SVR的水文时间序列异常值检测[J].计算机与数字工程, 2018, 46(2): 225-230. https://www.cnki.com.cn/Article/CJFDTOTAL-JSSG201802004.htm
点击查看大图
图(4) / 表(1)
