面向大规模监测数据的高铁故障诊断技术研究

大数据及云计算等技术带来的科研方式的转变正在影响着对高铁故障诊断技术领域的研究工作,利用云计算平台对大规模高铁监测数据进行了故障检测分析的研究工作,利用hadoop平台对仿真平台产生的高铁监测数据进行了数据预处理,并在该平台下实现了并行化的EEMD与信息熵相结合的故障特征提取,然后在map-reduce计算框架下实现了对特征提取结果的KNN故障分类识别,对分类效果和运行性能指标进行了分析。实验结果表明,该方法能准确有效的对高铁故障进行识别分类,在运算速度、并行化加速度性能上都较传统方法有明显的改善。

基于分布式SVM的高速列车运行状态评估

随着大规模数据信息不断涌现,支持向量机作为一种经典高效的监督式的机器学习方法也在不断地进步与创新,实现分布式支持向量机算法。与此同时,高速列车的快速发展,高速列车安全性问题逐渐引起人们的重视。将分布式SVM算法与Hadoop平台相结合,采用EEMD算法提取IMFs特征,运用分布式SVM算法对高速列车振动数据进行深层特征提取并进行故障分类。实验表明通过对较好通道的统计结果来看,列车故障辨识的识别率为96%,故障定位识别率为89%,且算法效率有一定的提升。