-
题名基于数字孪生的转辙机健康状态智能分析方法
- 1
-
-
作者
张振海
李哲远
鲍盛成
孙岩
-
机构
兰州交通大学自动化与电气工程学院
四电BIM工程与智能应用铁路行业重点实验室
-
出处
《铁道科学与工程学报》
北大核心
2025年第10期4697-4711,共15页
-
基金
中央引导地方科技发展资金资助项目(24ZYQA044)
甘肃省重点研发计划项目(22YF7GA141)
兰州交通大学重点研发计划(ZDYF2303)。
-
文摘
针对传统转辙机健康管理方法难以实现在线评估的问题,提出一种基于数字孪生的转辙机健康状态分析方法。该方法通过构建数字孪生驱动的评估框架,融合多源数据和数据可视化技术,实现对转辙机健康状态的实时监测和评估,以提高铁路信号设备的智能运维能力。首先,构建了一个数字孪生驱动的转辙机健康状态分析评估框架,整合了设备运行数据、环境监测数据和维护记录;其次,分析了转辙机的常见故障及其成因,并采用SMOTE和RFECV-RF算法对数据特征进行优化。接着,采用特征增强的元学习网络(FEML)模型对转辙机健康状态进行实时评估,并与单一模型进行对比实验。实验结果表明,FEML模型的评估准确度比单一模型提高了至少1.85个百分点,即使在添加0.5~1.5幅值的泊松噪声干扰下,准确度仍可维持在97%以上。通过实际S700K转辙机的功率数据验证,该方法能实时监测设备健康状态,并结合全生命周期信息与现场专家经验,实现合理维修和更换。与传统方法相比,该方法的健康状态评估准确度达到了99.07%,满足铁路现场实际需求。本研究提出的基于数字孪生的转辙机健康状态分析方法,显著提高了评估准确度,实现了设备的实时监测和智能运维。数字孪生技术的应用为转辙机健康管理提供了新的解决方案,并为铁路其他关键信号设备的健康状态监测和智能运维提供了新的技术路径。该方法的成功实施,有望显著提升铁路信号设备的运行安全性和维护效率。
-
关键词
转辙机
数字孪生
feml模型
健康监测
元学习
-
Keywords
switch machine
digital twins
feml model
health monitoring
meta learning
-
分类号
U284.92
[交通运输工程—交通信息工程及控制]
-
