基于数据的车轮磨损量预测方法研究-控制工程专业论文.docxVIP

万方数据 万方数据 独创性声明 本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表和撰写的研究成果，也不包含为获得华 东交通大学或其他教育机构的学位或证书所使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢 意。 本人签名___ 日期 关于论文使用授权的说明 本人完全了解华东交通大学有关保留、使用学位论文的规定，即：学 校有权保留送交论文的复印件，允许论文被查阅和借阅。学校可以公布论 文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。 保密的论文在解密后遵守此规定，本论文无保密内容。 学生本人签名 日期 校内导师签名 日期 校外导师签名 日期 摘要 基于 数据 的车轮磨损量预测方法 研究 摘要 随着现代检测技术以及现代铁路工业综合自动化技术的快速发展，我国铁路相关部 门保存了大量的车轮系统的在线与离线检测数据,其中蕴含着丰富的车轮滚动系统的特 征和规律信息。这些数据除了数据量大之外，还具有更新速度快、非线性、高相关性等 特点，并且它们通常以非结构化的形式存储在高维空间中，必须借助各种数据分析和约 简方法才能揭示这些高维数据中的本质特征，从而获得有效的信息。本文研究基于这些 数据的车轮磨损量的预测方法。 本文对流形学习算法可应用到的领域进行了探究，即将流形学习应用于预测模型、 车轮磨耗系统的建模方向。首先，针对传统流形正则化加权回归(WDMR)模型对新样本数 据预测的局限性，提出了基于半监督局部线性嵌入(LLE)算法的 WDMR 建模方法。然后， 考虑到列车各个车轮磨耗量之间的整体性和相关性，提出了一种基于 LLE 算法的多轮 位磨损量预测模型。最后，为了进一步提高模型性能，本文提出了基于耦合模拟退火算 法优化的流形正则化加权回归模型，通过仿真实验验证了该方法的有效性。另外，本文 建立了基于数据驱动的子空间辨识的车轮磨损量预测模型，取得了较好的效果。 关键词：车轮磨耗，流形学习，流形加权回归，多轮位，耦合模拟退火，子空间辨识 I ABSTRACT ABSTRACT 万方数据 万方数据 RESEARCH ON FORECASTING METHOD OF WHEEL WEAR BASED ON DATA ABSTRACT With the rapid development of modern detection technology and modern railway industry automation technology, a large amount of measured data of wheel system was saved by China railway related department. It contains rich characteristics and laws information of wheel rolling system. In addition to the large volume of these data, they also have the features of update speed, nonlinear, high correlation, and they are usually stored in a high dimensional space by unstructured form. We have to use a variety of data analysis and reduction method to reveal the nature of these data in high dimensional. This paper studies the prediction method of wheel wear volume based on manifold learning. This paper explores the application area of manifold learning algorithm;The manifold learning algorithms are applied to forecast model and the modeling of the wheel wear system. Firstly, to deal with the laminations of the unknown sample data prediction based on the traditional WDMR model, a ne