基于GBDT的轨道不平顺状态评价模型研究

发布时间：2025-06-10 02:13

　　 基于轨道几何动态检测数据和车载式线路检查仪(晃车仪)数据,通过随机森林模型分析轨道几何特征与水平、垂直晃车相关性,并结合车辆动态响应利用迭代决策树(Gradient Boosting Decision Tree,GBDT)算法建立轨道不平顺状态评价模型,利用该模型对一客运专线实测轨道几何数据和晃车仪数据进行数据训练和预测。结果表明,模型能够识别超出现有幅值评判标准对车辆运行有显著影响的轨道病害区段,有益于完善轨道几何不平顺评价体系及工务设备养护维修。

【文章页数】：4 页

【部分图文】：

图1 波形处理示意

由于检测误差和某些异常值的存在，原始波形存在一定异常波动，对最大变化率的计算造成了干扰。因此，在计算最大变化率前，先采用滑动平均法对原始波形进行了滤波处理，滑块宽度设置为3m，部分原始波形和滤波后波形如图1所示。2.2.2晃车仪检测数据处理

图2 垂向晃车特征相关性分析

选取左轨向、右轨向、轨向的标准差、幅值和最大变化率，以及平均行驶速度和水平晃车因子等11个字段作为水平晃车的特征属性。其中，水平晃车因子βL为区段内左轨向aL与右轨向aR之和的算术平均值，表示为式中，xi∈aL,yi∈aR。

图3 水平晃车特征相关性分析

通过模型计算后，相关性分析结果如图3所示。可知，水平晃车因子相关性最高，左轨向与右轨向的标准差和最大变化率相关性较高，均大于0.1；轨距的最大变化率也有较高的相关性。2.4模型训练

图4 水平晃车预测模型调整参数结果

水平晃车预测模型调整参数结果见图4。当权重缩小系数为0.02时，模型得到最优解，共预测8个晃车点，其中有4个点预测正确，预测准确率为50%，所有预测点（含错误点）距离最近的真实晃车点平均距离为150m。2.5结果展示

本文编号：4050161