泰雷兹倾力抗疫 护航全球城市轨道交通项目

2020年注定是载入史册的一年。新年伊始,新型冠状病毒全球蔓延,人类生命安全和社会秩序遭遇巨大挑战。作为城市公共交通系统的大动脉,轨道交通关乎人们的正常出行和经济社会的正常运转。疫情影响下,如何在高效出行和员工及乘客安全之间取得平衡,成为运营商关注的重点。在此关键时刻,泰雷兹倾其所能,采取一切可行方式,与全球合作伙伴共克时艰,持续向社会提供关键基础设施服务,更好地捍卫公众健康及安全。

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。

基于数据挖掘技术的地铁牵引电机温度预测

温度是影响牵引电机使用寿命的重要因素,提前预测对地铁安全高效的运行具有极其重要的作用。文章首先以牵引电机的运行数据为基础,选取与电机温度相关的一系列重要特征参数,通过线性回归(Ridge)模型、基于决策树构建的回归树(梯度提升树,GBDT)模型和多层感知机(MLP)模型,建立牵引电机温度预测模型并进行相应模型训练;其次,选用R-Squared、均方误差(MSE)和对称平均绝对百分比误差(SMAPE)指标,来评价模型的拟合效果。最后,利用已训练模型对之后两个月的电机温度进行预测,从而验证模型的泛化精度,实现牵引电机温度精确预测。通过研究,初步验证了数据挖掘技术在预测地铁牵引电机温度方面的有效性和可行性。结果表明,在预测电机温度时,MLP模型比其他两种模型在精准性和鲁棒性方面性能更佳。

基于高斯混合模型的地铁牵引系统健康度评估

文章基于高斯混合模型,采用数据挖掘技术,对地铁牵引系统健康度评估进行研究。主要研究方法为利用无监督学习和有监督学习两种方式,分别建立机器学习模型。首先提取原始特征,采用方差过滤法和主成分分析法进行特征降维;其次在无监督学习下对是否工况分离进行讨论,选用高斯混合模型将得到的类概率值作为设备健康度评分;最后在有监督学习下选用逻辑回归模型评估牵引系统的健康度。结果表明,在无监督学习工况分离的情况下,高斯混合模型的表现状态有较高的预测精度和模型准确度。

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。