摘要：轴承温度实时监控和预测是保障高速列车安全运行的重要手段。GM(1,1)模型具有建模样本量小、计算效率和精度高等优点,适用于轴温的实时预测。但在基于GM(1,1)模型的轴温预测中存在两个问题:1.用于建模的轴温监测数据是离散整型,平滑性欠佳,导致预测精度不高;2.由于GM(1,1)模型在本质上是指数函数,具有单调性,导致在轴温升降趋势变化的拐点处预测误差较大。为此,提出一种基于灰色二次回归的轴温实时预测模型:首先将采集到的轴温数据进行迭代三次的滑动平均处理,再将GM(1,1)模型和二次多项式进行融合重构,并采用最小二乘法求取重构后模型的参数值。应用该模型对某高速列车的后序5分钟轴温进行实时预测,结果表明:在轴温先升后降、先降后升和连续波动的样本中该模型比GM(1,1)模型的预测误差分布更集中且数值更小;在不同通道类型的连续波动样本中,这里模型的预测结果均好于GM(1,1)模型,验证了模型的通用性。

摘要：轴承温度预测是保障高速列车安全运行的重要手段。考虑到GM(1,1)模型建模机理存在着一定的缺陷,以及对建模数据有一定的单调性要求,对呈现较大波动的数据序列预测结果不太理想的问题。在GM(1,1)预测模型的基础上,提出了一种粒子群算法(PSO)优化的灰色预测方法。利用多项式对GM(1,1)模型进行修正,重构灰色模型的时间响应序列,再利用粒子群算法对重构模型进行求解,并据此构建了一种高速列车轴温预测模型。以高速列车实际轴温数据对模型进行验证,验证结果表明:模型相较于GM(1,1)模型的预测精度有明显的提高,其中5min预测的平均绝对误差由6℃降低到5℃,降幅为16.7%。平均相对误差由9.1%降到了7.8%,降幅为14.3%;最大绝对误差由20℃降低到18.6℃,降幅为7%。预测误差的方差由24.6降低到了20.6,降幅为16.3%,表明误差分布更加集中。

摘要：在轨道循环交变应力作用下地铁车体易产生疲劳损伤。获得车体的载荷-时间历程,进行了强度校核;利用雨流计数法获得了循环载荷谱,根据累积损伤理论对A型地铁车体疲劳寿命进行分析,研究了列车速度、二系弹簧垂向刚度与二系弹簧垂向阻尼系数等对车体关键部位疲劳寿命的影响,分别采用逐步回归法和BP神经网络模型对车体关键部位—枕梁疲劳寿命进行拟合与分析。结果表明,BP神经网络模型具有更高的拟合精度。为A型地铁车体结构疲劳寿命的预测提供理论依据。