高速列车横向蛇行失稳的EEMD-CNN-LSTM 预测方法

摘要

高速列车运行时出现横向蛇行失稳严重威胁到列车运行安全.目前大多数方法主要为蛇行失稳的在线识别,而忽略从正常到蛇行失稳过程中的小幅蛇行阶段.为此,提出一种EEMD-CNN-LSTM方法来预测小幅的演变趋势,进而分析是否会发生蛇行失稳.并且基于相关系数与能量特征提出一种新的指标来挑选EEMD的最优模态.该方法首先通过集合经验模态分解(ensemble empirical mode decomposition,EEMD)对原始信号分解得到n阶固有模态(intrinsic mode functions,IMF),然后挑选m阶最优的固有模态分量,最后将最优模态分量输入到构建的CNN-LSTM神经网络模型,并输出结果.根据在线实测数据实验结果:提出的方法能够准确预测小幅蛇行的变化趋势,预测准确率达到100％,且计算速度优于EEMD-LTSA方法,证明该方法的有效性.