论文部分内容阅读
“十三五”以来,随着我国社会经济的稳定增长,重载铁路货车得到了快速发展。但是铁路的提速和运载量的不断增加,给铁路运维人员带来了巨大的压力,同时鉴于运维模式的旧化,有必要给现有的铁路运维做一次“大升级”,从“计划修”转变到“状态修”。货车车轮是货车最为重要的部件之一,车轮的损伤严重影响着货车行车的安全。因此本文选取了重载铁路货车车轮作为研究对象,研究车轮的磨耗机理与车轮行车里程的关系,最终提出了一种基于灰狼优化算法下的最小二乘支持向量机(Least Square SVM,简称LSSVM)车轮里程寿命预测模型,实现重载铁路货车车轮里程寿命的精准预测。现将本文的工作简述如下:(1)首先分析了现有能够衡量车轮寿命的指标,发现这些指标都不能满足重载铁路货车“状态修”的模式,本文研究并选用了一种新的衡量车轮寿命的指标,即车轮里程寿命,并通过分析车轮磨耗数据的特征和现有的工程条件,选用支持向量机(Support Vector Machines,简称SVM)作为车轮里程寿命预测的模型。(2)然后梳理了现有铁路系统的车轮磨耗数据集,发现其并不能满足车轮里程寿命预测系统的要求。本文根据重载铁路货车车轮磨耗数据集的特点,从各铁路系统繁杂的数据入手,将零部件履历数据、零部件设计寿命数据等,分别从相应的数据系统筛选出来,结合数据清洗、融合等方法,构建出一个合适的能够直接应用于货车车轮里程寿命预测系统的数据集;基于构建的数据集,选用SVM理论中的LSSVM作为货车车轮里程寿命预测模型。并构建了其与SVM寿命预测模型的对比试验。通过实验结果表明,SVM在样本数据量过多的条件下,将会大幅增加训练模型的训练时间,导致算法训练效率低下,而LSSVM在训练效率上较之有明显的优势。(3)不过LSSVM的参数寻优能力仍不够强大,针对LSSVM最优参数寻找能力不足的缺陷,通过灰狼优化算法对LSSVM进行改进,提高其参数寻优的能力,得到预测更为精准的模型,将此模型命名为GWO-LSSVM预测模型。基于构建的预测模型,通过实际的车轮里程数据进行验证,结果表明了 GWO-LSSVM算法在参数寻优方面的先进性。(4)最后将车轮里程寿命预测模型融入“状态修”诊断决策综合判别系统。