基于数据不平衡下的高速列车小幅蛇行预测方法

作     者：宁云志 宁静 李艳萍 陈春俊 Ning Yunzhi;Ning Jing;Li Yanping;Chen Chunjun

作者机构：西南交通大学机械工程学院成都610031 

出 版 物：《电子测量技术》 (Electronic Measurement Technology)

年 卷 期：2022年第45卷第6期

页      面：149-154页

学科分类：0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0802[工学-机械工程] 0814[工学-土木工程] 082301[工学-道路与铁道工程] 080201[工学-机械制造及其自动化] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金(51975486 51975487)项目资助 

主　　题：高速列车 小幅蛇行 生成式对抗网络 卷积神经网络 

摘      要：高速列车行驶中所产生的蛇行运动会严重影响到列车的行驶安全,所以对蛇行运动进行预测可以做到提前预警。目前对于蛇行运动的研究主要为对蛇行失稳的预测,但列车运行过程中会出现正常到蛇行失稳的小幅蛇行中间状态,对小幅蛇行状态进行预测可以提前对蛇行失稳进行预警。为此,以高速列车转向架横向加速度信号为标准,针对高速列车蛇行运动数据的极端不平衡情形,提出了一种基于1D-CNN和CGAN的非平衡数据的预测方法。该方法首先利用CGAN的对抗性学习机制,通过生成器和鉴别器之间的博弈来优化更新参数。然后,将训练完备的CGAN模型用于生成样本,将增强后的数据送入1D-CNN分类器,并输出预测结果。在高速列车实际运行数据上进行实验,结果表明CGAN可以拟合高速列车蛇行故障运动的数据分布并增强数据集,且基于提出的方法预测精度为97.5%,大幅优于对比方法。因此基于CGAN-1DCNN的小幅蛇行预测方法可以在数据不平衡下对小幅蛇行的预测,实现对蛇行失稳的提前预警。