基于LSTM-BPNN-SVR的地铁车辆轴箱温度预测方法*

2022-11-09张玮东

计算机与数字工程 2022年9期

张玮东

（上海地铁维护保障有限公司车辆分公司上海 200031）

1 引言

为了实现轨道交通智慧化运维［1］，上海地铁车辆率先安装了自发电式轨道车辆轴箱温度在线感知及安全预警系统，该系统通过对列车运行过程中振动能量的捕获，实现轨道车辆轴箱温度自感知及数据预测。由于列车在运行过程中外部轮轨激励呈现随机性，使得该系统存在对轴箱温度采样频率非线性问题，严重影响了轴箱温度的预测精度及系统的可靠性。

目前针对样本数据非等距预测研究中，主要通过对样本数据的等距化处理，达到对目标数据的预测。如文献［2］通过利用三次插值方法实现采样数据的等距化处理实现了数据的预测；文献［3］利用自然三次样条插值法对滑坡位移数据进行等时距处理，达到了有效预测的效果；文献［4］通过采用Lagrange插值函数将不等时距沉降序列转换为等时距序列并建立预测模型，实现了对路基沉降的预测。然而，现有方法的样本数据之间往往缺少关联性分析，存在描述对象状态变化特征有限的问题。为了增加数据集内部特征信息，文献［5］通过将彼此关联的多个监测点纳入整体建模，使预测更为准确。文献［6］通过合理地选择多源空间相关数据，进行滑坡信息提取和分析并建立预测模型，达到了对滑坡灾害信息的预测。文献［7］针对掘进机振动信号、电流信号和油缸压力信号非平稳、噪声大的特点，对数据集特征提取和融合，有效提高了预测精度。然而，列车运行时各轴承温度表现为强互相关性，且受牵引力等多个因素的影响，具有明显动态性，造成传统方法难以对其数据间的动态关系进行提取［8］。在预测模型方面，文献［9］使用随机森林构建了交通拥堵预测模型，实现了交通拥堵状态的预测；文献［10］通过建立多层LSTM预测模型实现了对轴温的预测；文献［11］使用BP神经网络实现了对轴温的预测；文献［12］使用SVR预测模型实现了对地铁咽喉区小净距隧道围岩位移的预测。但这些模型并未考虑到输入特征与输出特征关联性，预测精度不高。且样本数据本身不具有稳定和线性特性，使得单一模型预测方法往往效果不佳。组合预测模型因尽可能多地利用了各种预测子模型的全部信息，而逐渐被人们所接受［13］。为了实现对自发电式轨道车辆轴温监测系统中的非线性采样频率所获取的轴箱温度数据的高精度预测，本文构建了一种基于LSTM-BPNN-SVR的地铁车辆轴箱温度预测方法。

2 数据等距化处理

利用K均值聚类［14］的方法分别对各监测传感采样数据集的差分结果(Δti，Δxi)进行可视化分析，以获得簇中心所在位置(tI，u，xI，u)的采样数据特征tI，u，作为分段三次Hermite插值［15］样本点间隔长度Δξ的设定依据［5］。K均值聚类算法模型如式（1）～（3）所示，分段三次Hermite插值法如式（4）所示。

式中，E表示最小化平方误差；k表示类（簇）的个数；m为簇中对象的总个数；( ΔtI，j，ΔxI，j)表示第I簇的第j个数据对象；(tI，u，xI，u)是类CI的均值向量，也称为第I簇的均值中心；Δti表示数据集第i个样本点时刻ti与第i-1个样本点时刻ti-1的差值；Δxi表示数据集第i个样本点数据xi与第i-1个样本点时刻xi-1的差值。CI表示对差分结果划分为的类，其中I=1，2，…，k。xi和x′i是样本点ti处的函数值和一阶导数值；插值节点tδ=t1+n·Δξ；四个插值基函数φi(tδ)，φi+1(tδ)，φi(tδ)，φi+1(tδ)如式（5）～（8）：

3 LSTM-BPNN-SVR预测模型构建

LSMT-BPNN-SVR预测模型构建流程如下。

第一步：对等距样本Zq进行数据分组得到样本矩阵Wq，如式（9）所示。使用Wq对组合模型进行训练，其中训练集的样本数量为g个；

第二步：将样本矩阵Wq中每组数据（行）依次输入LSTM模型，构建出双重时间序列。其中LSTM模型的输入和输出如式（10）、（11）所示，双重时间序列，如式（12）所示；

第三步：将构造出的双重时间序列，作为BP神经网络的输入，完成对Zq中第i+1个样本数据zi+1的预测，BP神经网络的输入和输出如式（13）、（14）所示；

第四步：BP神经网络的输出结果，通过SVR模型对BP神经网络输出结果与Zq数据集中对应样本点数据构建的回归模型，得到混合模型的最终预测结果。其中，SVR模型的输入和输出为和如式（15）所示，最终预测结果如式（16）所示。在预测结果中，表示为LSTM-BPNNSVR预测模型对Zq中第i个样本数据的预测结果。最后，对基于多源融合有效数据集Zq构建的组合模型记为LSTM-BPNN-SVR预测模型。

上式中，为由LSTM模型对Zq中第i+1个样本数据zi+1的预测值，表示BP神经网络对Zq中第i+1个样本数据zi+1的预测值。

4 实验验证

为了验证基于LSTM-BPNN-SVR的地铁车辆轴箱温度预测方法的有效性，实验数据均来自上海地铁的轨道车辆轴箱温度监测及预警系统，该系统结构图由如图1所示，该系统由安装于转向架上的温度监测传感器以及设置在车厢内的数据中继器模块和车载主机构成。在列车运行过程中将列车振动能量转换为电能为传感器供电，由于外界振动激励的随机性，导致样本数据存在非等距化的问题。选取地铁车辆轴承故障易发的6月至7月间同一节车厢下8个轴箱温度的监测数据［16］，并以1传感器采集到的数据为目标数据集。为了量化预测效果，将LSTM-BPNN-SVR预测方法与常规的6种预测方法进行对比，采用平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、均方根误差（RMSE）和拟合度（R-squared）［17］四个评价指标如式（17）～（20）：

图1 自发电式轴温监测系统结构图

式中，xi为样本数据，为预测数据，为xi的均值，n为样本数量。其中R-squared越接近1，表示回归拟合度越好，MAPE、MAE、RMSE这三项数值越小说明算法的精确度越高。

LSTM-BPNN-SVR预测结果如图2所示，从图2可以看出，LSTM-BPNN-SVR预测值与实测值数据一致偏差较小；由图2进一步可以看出LSTM-BPNN-SVR预测输出曲线与实测温度数值曲线都呈锯齿状的线型且拟合度较高，说明预测结果可以较精确反映出轴箱温度变化情况，达到对轴箱温度的有效预测。

图2 LSM-BPNN-SVR预测模型预测结果曲线对比图

表1为各预测方法的评价指标，从表1可以看出，LSTM预测模型R2为0.95，与其他算法相比预测精度偏低。而LSTM-BPNN-SVR预测模型在MAPE/MAE/RMSE/R2四项评价指标均优于LSTM、BP神经网络和SVR预测模型，并且与其他随机森林、Arima、RNN相比各项评价指标均有提升，其中拟合度R2达到0.9915，说明LSTM-BPNN-SVR组合预测模型有效融合了多个预测模型的优势，具有较好的预测效果。