一种受电弓滑板磨耗预测方法与流程

技术特征：
1.一种受电弓滑板磨耗预测方法，其特征在于，利用以下步骤训练受电弓滑板磨耗的预测模型：s1、获取受电弓滑板磨耗的历史数据，将其划分为训练集和测试集；所述历史数据包括多个磨耗样本；单个磨耗样本包含受电弓的使用参数以及在该使用参数下的磨耗值；所述受电弓的使用参数为：影响受电弓滑板磨耗程度的关联参数；s2、利用训练集对超限学习机预测模型进行训练；再根据测试集验证训练后超限学习机预测模型的准确率；s3、判断准确率是否超过阈值，若是，预测模型训练完成；若否，增加训练集的数量或者修改超限学习机预测模型的初始参数，对超限学习机预测模型进行再次训练，直到准确率超过阈值，完成预测模型训练；保存预测模型；将待测的受电弓使用参数输入到预先存储的预测模型中，预测模型输出该受电弓滑板的磨耗值，完成对磨耗值的预测。2.如权利要求1所述受电弓滑板磨耗预测方法，其特征在于：受电弓的使用参数包括至少两个影响受电弓滑板磨耗程度的关联参数。3.如权利要求1所述受电弓滑板磨耗预测方法，其特征在于：受电弓的使用参数包括受电弓滑板测量位置、受电弓累计使用时间、受电弓平均检修时间间隔、受电弓类别、滑板数量、列车运行平均速度、列车车型、受电弓滑板的初始厚度、弓网接触力、受电弓标准长度和受电弓倾角中的至少两个参数。4.如权利要求1、2所述受电弓滑板磨耗预测方法，其特征在于：受电弓的使用参数为以下形式中的任意一种：形式一：受电弓滑板测量位置、受电弓累计使用时间、受电弓平均检修时间间隔、受电弓类别、滑板数量、受电弓滑板的初始厚度、弓网接触力、受电弓标准长度、受电弓倾角、列车运行平均速度和列车车型；形式二：受电弓滑板测量位置、受电弓累计使用时间、受电弓平均检修时间间隔、受电弓类别、滑板数量、受电弓滑板的初始厚度、弓网接触力、受电弓标准长度和受电弓倾角；形式三：受电弓滑板测量位置、受电弓累计使用时间、受电弓平均检修时间间隔、滑板数量、受电弓滑板的初始厚度、弓网接触力、列车运行平均速度和列车车型；形式四：受电弓滑板测量位置、受电弓累计使用时间、受电弓平均检修时间间隔、受电弓类别、滑板数量、受电弓滑板的初始厚度、弓网接触力和列车运行平均速度；形式五：受电弓滑板测量位置、受电弓累计使用时间、受电弓滑板的初始厚度、弓网接触力和列车运行平均速度。5.如权利要求1所述受电弓滑板磨耗预测方法，其特征在于：步骤s2中，利用训练集对超限学习机预测模型进行训练的方式为：1)将训练集等分成k个集合；任选1～0.3k个集合记为集合a；2)随机为预测模型中的隐含层数量l、每层神经元数量r赋初值；利用除集合a以外的其他集合，对预测模型进行训练，将训练后的模型记为初始模型；将初始模型中的l和r恢复为未知变量，得到待优化预测模型；将集合a中的各个磨耗样本分别输入到待优化预测模型中，建立优化模型，求解目标函
数，得出l和r的优化值，将优化值代入到待优化预测模型中，得到优化后的预测模型；3)从其他集合中另选1～0.3k个集合记为新的集合a，将旧的集合a标记成其他集合，再次进行步骤2)；重复标记新的集合a，直到遍历k个集合中的各个集合；将最后一次得出的预测模型记为最优预测模型，训练完成。6.如权利要求5所述受电弓滑板磨耗预测方法，其特征在于：步骤2)将集合a中各个磨耗样本分别输入到待优化预测模型中，建立优化模型，求解目标函数e，方式如下：其中，x
p
为集合a中第p个磨耗样本，y
p
为集合a中第p个磨耗样本中的磨耗值，p＝1,2
……
n，n表示集合a中磨耗样本的总数；wear(x
p
)为所述待优化预测模型。7.如权利要求5所述受电弓滑板磨耗预测方法，其特征在于：采用随机分层采样的方式，将训练集等分成k个集合，100≥k≥10；在步骤s3中，判断准确率是否超过阈值，若是，预测模型训练完成；若否，增加k的数量或者增加训练集的数量或者修改超限学习机预测模型的初始参数，对超限学习机预测模型进行再次训练，直到准确率超过阈值，完成预测模型训练；保存预测模型。8.如权利要求5或6所述受电弓滑板磨耗预测方法，其特征在于：目标函数的求解方法为梯度下降法或牛顿法。9.如权利要求1所述受电弓滑板磨耗预测方法，其特征在于：步骤s1中，所述历史数据包括至少10000个磨耗样本；采用随机分层采样的方式，将历史数据划分为测试集与训练集；1:9≤测试集与训练集之间的比例≤1:3。10.如权利要求1或9所述受电弓滑板磨耗预测方法，其特征在于：先对历史数据进行数据清洗，包括：剔除缺失磨耗样本、剔除重复保存的磨耗样本；修改或剔除存在格式错误的磨耗样本；采用聚类分析，将异常磨耗样本剔除。

技术总结
本发明提供一种受电弓滑板磨耗预测方法，将历史数据划分为训练集和测试集；利用训练集对超限学习机预测模型进行训练；再根据测试集验证训练后超限学习机预测模型的准确率；判断准确率是否超过阈值，若是，预测模型训练完成；若否，增加训练集的数量或者修改超限学习机预测模型的初始参数，对超限学习机预测模型进行再次训练，直到准确率超过阈值，完成预测模型训练；保存预测模型；将待测的受电弓使用参数输入到预先存储的预测模型中，预测模型输出该受电弓滑板的磨耗值，完成对磨耗值的预测；本方法可输入多个影响磨耗的关联参数，使得预测结果更加合理、准确率高，进而提高列车运维的安全性和经济性。安全性和经济性。安全性和经济性。


技术研发人员：郭寅 尹仕斌 郭磊 赵进
受保护的技术使用者：易思维（杭州）科技有限公司
技术研发日：2022.08.29
技术公布日：2022/11/18