简介:为准确计算动车组牵引能耗,提出BP神经网络模型和改进牵规法预测动车组牵引能耗。选取机车类型、坡度、目标速度、停站方案等8个因素作为动车组牵引能耗之BP神经网络的输入变量,建立3层BP神经网络模型。采用增加动车组运动方程和优化基本阻力公式方式对牵规法进行优化。利用正交实验法对动车组牵引能耗影响因素进行分析,并对111组数据进行模拟验证。研究结果表明:BP神经网络模型的误差在4.26%以内,改进牵规法的误差基本在10%以内,证明BP神经网络模型比改进牵规法模型能更好地预测动车组的牵引能耗,而且当目标速度增大时,BP神经网络模型的计算精度明显比改进牵规法的计算精度高;目标速度和坡度对牵引能耗有显著影响。
简介:桥梁监测序列是典型的非平稳时间序列,需要进行一些处理将非平稳序列平稳化后再拟合ARMA模型。将监测数据平稳化后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型即为ARIMA模型。以玉峰大桥为例,介绍了季节ARIMA模型的建模思路与总体流程,模拟了检测序列的变化趋势。以季节ARIMA模型为预测模型作为结构的退化模型,对测点进行退化趋势模拟与退化临界时刻预测。结果显示ARIMA模型对序列的拟合效果良好,可以用于桥梁监测序列的预测,其对退化临界时刻的预测可以从整体上掌握桥梁的整体退化趋势和极限使用寿命。