基于机器学习的辅助逆变器温度预测

辅助逆变器的状态直接影响地铁安全运行和乘坐舒适度,为确保地铁运行过程中辅助逆变器能正常工作,文章提出基于机器学习的方法对辅助逆变器温度进行预测,判断辅助逆变器的温度是否存在异常。首先分析原始数据并提取相关特征;其次基于多元线性回归算法、随机森林和K近邻回归模型,建立辅助逆变器温度预测模型,并进行模型训练;最后采用K折交叉验证得出该模型在测试集上的平均绝对误差(MAE)、均方误差(MSE)和R-Squared指标,用以评价模型的拟合效果。试验结果表明:基于多元线性回归和随机森林建立的两个模型在此应用场景下表现较好,两种模型的置信度均在93%左右。

基于机器学习的辅助逆变器进风滤网堵塞诊断

辅助逆变器是地铁牵引系统的重要组成部分,为了优化辅助逆变器的运用性能,提高地铁运行的稳定性,提出一种基于机器学习判断辅助逆变器进风滤网是否堵塞的方法。首先,在原有数据的基础上提取对辅助逆变器模块温度产生影响的特征;其次,建立模型进行模型训练。结果表明:采用该方法进行滤网堵塞诊断时,相较于支持向量机(SVM)模型方法,基于多层感知机(MLP)模型的辅助逆变器进风滤网堵塞诊断方法在数据计算和预测中诊断精度较高、鲁棒性较强。同时,研究也为后续地铁项目中辅助逆变器滤网在开展制造、维修时的优化换型提供了重要依据。