开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convol...开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convolutional Neural Network, CNN)的双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)网络公路隧道结构状态预测方法。量化分析测点间关联性,结合温度特征构建模型输入矩阵;利用CNN挖掘各测点的空间关联性,采用BiLSTM提取时间序列特征,引入HO算法优化模型参数;将预测结果映射为隧道结构状态等级,展示隧道整体受力状态。结果表明,建立的HO-CNN-BiLSTM模型能够有效提取空间和温度特征,在预测精度和稳定性方面均优于对比模型,可实现隧道结构状态精确评估,为公路隧道的安全运营及分级管控措施制定提供技术支撑。展开更多
预测车轮的磨耗状态对合理制定维护计划、保障动车组列车安全运行具有重要意义。动车组车轮磨耗属复杂非线性问题,引入机器学习和大数据技术对准确预测车轮磨耗具有显著作用。为预测动车组车轮磨耗,提出了一种改进的带外源输入的非线性...预测车轮的磨耗状态对合理制定维护计划、保障动车组列车安全运行具有重要意义。动车组车轮磨耗属复杂非线性问题,引入机器学习和大数据技术对准确预测车轮磨耗具有显著作用。为预测动车组车轮磨耗,提出了一种改进的带外源输入的非线性自回归神经网络(nonlinear auto-regressive model with eXogenous inputs neural network,NARXNN)模型。首先,依据采集的动车组车轮磨耗3年连续实测数据,运用快速查找密度峰值聚类算法剔除异常数据,并利用二阶拉格朗日多项式插值处理缺失值,进行数据集预处理。然后,通过相空间重构将一维时间序列车轮直径测量数据扩展至多维,挖掘车轮磨耗参数的演变规律,采用主成分分析法提取影响动车组车轮直径参数指标变化的主要成分,构建了车轮磨耗预测模型的数据集样本。在此基础上,设计了一种带外源输入的非线性自回归神经网络NARXNN模型,采用列文伯格−马夸尔特算法(levenberg-marquardt,LM)优化NARXNN模型的权重和阈值,引入正交匹配追踪算法(orthogonal matching pursuit,OMP),以贪婪迭代的方式优化网络模型结构,在保证性能可靠性的同时删除冗余神经元,最终实现预测网络结构的精简。实验结果表明,LM-OMP算法优化的NARXNN神经网络模型结构简单、性能优越,能够快速稳定收敛。建立了未来2至6个月的车轮轮径磨耗预测模型,与其他经典预测模型对比结果表明,运用LM-OMP算法优化的NARXNN神经网络模型在动车组车轮磨耗预测方面具有更高的准确率和稳定性。运用该方法能够较精准地预测车轮磨耗的发展规律,可为动车组车轮的精准维修和科学使用提供参考。展开更多
文摘开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convolutional Neural Network, CNN)的双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)网络公路隧道结构状态预测方法。量化分析测点间关联性,结合温度特征构建模型输入矩阵;利用CNN挖掘各测点的空间关联性,采用BiLSTM提取时间序列特征,引入HO算法优化模型参数;将预测结果映射为隧道结构状态等级,展示隧道整体受力状态。结果表明,建立的HO-CNN-BiLSTM模型能够有效提取空间和温度特征,在预测精度和稳定性方面均优于对比模型,可实现隧道结构状态精确评估,为公路隧道的安全运营及分级管控措施制定提供技术支撑。
文摘预测车轮的磨耗状态对合理制定维护计划、保障动车组列车安全运行具有重要意义。动车组车轮磨耗属复杂非线性问题,引入机器学习和大数据技术对准确预测车轮磨耗具有显著作用。为预测动车组车轮磨耗,提出了一种改进的带外源输入的非线性自回归神经网络(nonlinear auto-regressive model with eXogenous inputs neural network,NARXNN)模型。首先,依据采集的动车组车轮磨耗3年连续实测数据,运用快速查找密度峰值聚类算法剔除异常数据,并利用二阶拉格朗日多项式插值处理缺失值,进行数据集预处理。然后,通过相空间重构将一维时间序列车轮直径测量数据扩展至多维,挖掘车轮磨耗参数的演变规律,采用主成分分析法提取影响动车组车轮直径参数指标变化的主要成分,构建了车轮磨耗预测模型的数据集样本。在此基础上,设计了一种带外源输入的非线性自回归神经网络NARXNN模型,采用列文伯格−马夸尔特算法(levenberg-marquardt,LM)优化NARXNN模型的权重和阈值,引入正交匹配追踪算法(orthogonal matching pursuit,OMP),以贪婪迭代的方式优化网络模型结构,在保证性能可靠性的同时删除冗余神经元,最终实现预测网络结构的精简。实验结果表明,LM-OMP算法优化的NARXNN神经网络模型结构简单、性能优越,能够快速稳定收敛。建立了未来2至6个月的车轮轮径磨耗预测模型,与其他经典预测模型对比结果表明,运用LM-OMP算法优化的NARXNN神经网络模型在动车组车轮磨耗预测方面具有更高的准确率和稳定性。运用该方法能够较精准地预测车轮磨耗的发展规律,可为动车组车轮的精准维修和科学使用提供参考。
