本發(fā)明屬于高速列車(chē)數(shù)據(jù)預(yù)測(cè)
技術(shù)領(lǐng)域：
，具體涉及一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法。
背景技術(shù)：
：近幾年來(lái)，隨著鐵路四縱四橫線路的日漸完善，火車(chē)成為了大多數(shù)人出行的首選，而高鐵因其方便、快捷、安全、準(zhǔn)點(diǎn)等優(yōu)勢(shì)更加受到出行人士的青睞。截止到2015年底我國(guó)的高鐵運(yùn)營(yíng)里程達(dá)到1.9萬(wàn)公里，居世界第一，占世界高鐵總里程的60％以上。隨著我國(guó)高速列車(chē)的快速發(fā)展，運(yùn)營(yíng)里程的不斷增加，高速列車(chē)的安全問(wèn)題備受關(guān)注，其中車(chē)軸的安全尤為重要。列車(chē)在行駛過(guò)程中常因列車(chē)軸溫過(guò)高而造成機(jī)車(chē)破損、機(jī)車(chē)故障，甚至造成重大的列車(chē)出軌事故，因而軸溫成為車(chē)軸故障檢測(cè)的核心指標(biāo)。由于影響車(chē)軸的因素復(fù)雜，例如軸承產(chǎn)生熱軸的主要原因有：軸承內(nèi)圈或保持架崩裂，潤(rùn)滑油質(zhì)量不符合標(biāo)準(zhǔn)要求，潤(rùn)滑油稠度過(guò)高，機(jī)構(gòu)裝配過(guò)緊，負(fù)載過(guò)大等，使得基于機(jī)理的車(chē)軸溫度預(yù)測(cè)尚無(wú)解決辦法。針對(duì)此問(wèn)題，基于大數(shù)據(jù)和數(shù)據(jù)挖掘的思路，轉(zhuǎn)因果分析為相關(guān)關(guān)系分析，在對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的過(guò)程中，發(fā)現(xiàn)列車(chē)軸溫與速度v、一個(gè)起停階段的初始軸溫值T0、環(huán)境溫度C、運(yùn)行時(shí)間t以及載重L有明顯的關(guān)系。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法，解決了現(xiàn)有技術(shù)中存在的能基于軸溫變化機(jī)理實(shí)現(xiàn)車(chē)軸溫度預(yù)測(cè)的問(wèn)題。本發(fā)明所采用的技術(shù)方案是，一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法，具體按照以下步驟實(shí)施：步驟1、對(duì)列車(chē)的原始數(shù)據(jù)進(jìn)行分類(lèi)；步驟2：對(duì)步驟1進(jìn)行分類(lèi)后的數(shù)據(jù)進(jìn)行分區(qū)處理；步驟3：對(duì)步驟2得到的分區(qū)處理后的數(shù)據(jù)建立軸溫分析的流模型；步驟4：對(duì)步驟3得到的流模型進(jìn)行檢驗(yàn)。本發(fā)明的特點(diǎn)還在于，步驟1具體按照以下步驟實(shí)施：步驟(1.1)、采集列車(chē)原始軸溫?cái)?shù)據(jù)，放入集合“Num.1”中，列車(chē)原始軸溫?cái)?shù)據(jù)包括：列車(chē)速度v、軸溫T、每個(gè)起停階段的初始軸溫T0、環(huán)境溫度C、運(yùn)行時(shí)間t以及載重L；步驟(1.2)、將所述步驟(1.1)中采集到的列車(chē)原始軸溫?cái)?shù)據(jù)集合“Num.1”按照速度分割為n個(gè)起停階段，每個(gè)起停階段均包括n個(gè)加速階段、n個(gè)平穩(wěn)運(yùn)行階段和n個(gè)減速階段；步驟(1.3)、將步驟(1.2)中的n個(gè)加速階段的數(shù)據(jù)放入集合“Num.2”中的表sheet1中，然后將表sheet1重命名為“加速階段”，將n個(gè)平穩(wěn)運(yùn)行階段的數(shù)據(jù)放入集合“Num.2”中的表sheet2中，然后將sheet2重命名為“平穩(wěn)運(yùn)行階段”，將n個(gè)減速階段的數(shù)據(jù)放入集合“Num.2”中的表sheet3中，然后將表sheet3重命名為“減速階段”。步驟(1.1)中n＝9。步驟2具體按照以下步驟實(shí)施：對(duì)于步驟1中的“Num.2”中三個(gè)運(yùn)行階段的運(yùn)行時(shí)間點(diǎn)t，令t＝random(10)，隨機(jī)產(chǎn)生一個(gè)0～10的隨機(jī)數(shù)賦給變量t，若t＞3則為“真”，否則為“假”，且導(dǎo)出包含t＞3對(duì)應(yīng)的變量作為“訓(xùn)練樣本”數(shù)據(jù)集，導(dǎo)出不包含t＞3對(duì)應(yīng)的變量作為“測(cè)試樣本”數(shù)據(jù)集，以此方法將會(huì)分別得到“加速訓(xùn)練樣本.xls”,“平穩(wěn)訓(xùn)練樣本.xls”，“減速訓(xùn)練樣本.xls”，“加速測(cè)試樣本.xls”，“平穩(wěn)測(cè)試樣本.xls”，“減速測(cè)試樣本.xls”。步驟3具體按照以下步驟實(shí)施：步驟(3.1)、預(yù)測(cè)變量的相關(guān)性：對(duì)經(jīng)過(guò)所述步驟2處理后的“加速訓(xùn)練樣本.xls”,“平穩(wěn)訓(xùn)練樣本.xls”及“減速訓(xùn)練樣本.xls”中的預(yù)測(cè)變量進(jìn)行相關(guān)性分析，即速度v、每個(gè)起停階段的初始軸溫T0、環(huán)境溫度C、運(yùn)行時(shí)間t以及載重L與軸溫T之間的相關(guān)性系數(shù)，其依據(jù)如下：r=NΣxiyi-ΣxiΣyiNΣxi2-(Σxi)2NΣyi2-(Σyi)2]]>其中，N為變量的個(gè)數(shù)，xi為自變量，yi為因變量——軸溫T，r為皮爾遜Pearson相關(guān)系數(shù)，當(dāng)(1)0.8≤r≤1時(shí)，變量為極強(qiáng)相關(guān)；(2)0.6≤r＜0.8時(shí)，變量為強(qiáng)相關(guān)；(3)0.4≤r＜0.6時(shí)，變量為中等程度相關(guān)；(4)0.2≤r＜0.4時(shí)，變量為弱相關(guān)；(5)0.0≤r＜0.2時(shí)，變量為極弱相關(guān)或者無(wú)相關(guān)，因?yàn)橛绊戄S溫的因素較多，故能夠根據(jù)相關(guān)系數(shù)r剔除掉極弱相關(guān)或者無(wú)關(guān)的影響因素；步驟(3.2)、回歸系數(shù)的計(jì)算：對(duì)經(jīng)過(guò)步驟2處理后得到的三個(gè)階段的訓(xùn)練樣本數(shù)據(jù)進(jìn)行回歸分析，樣本回歸模型的矩陣表示為其中，e為因變量的實(shí)測(cè)值與估計(jì)值之差，為偏回歸系數(shù)，表示當(dāng)其他自變量取值固定時(shí)，自變量xi每改變一個(gè)單位時(shí)yi的變化量，將三個(gè)運(yùn)行階段中的變量速度v(x1i)、每個(gè)起停階段的初始軸溫T0(x2i)、環(huán)境溫度C(x3i)、運(yùn)行時(shí)間t(x4i)以及載重L(x5i)作為回歸模型中的自變量xki，且生成自變量矩陣X如下：X=(x1i)T(x2i)T...(xki)T]]>上式中，k為自變量的個(gè)數(shù)，i為每個(gè)自變量包含的元素?cái)?shù)，將軸溫T(yi)作為回歸模型中的因變量yi，且生成包含所有目標(biāo)集的k維向量Y如下：Y=y1y2...yk]]>用公式得出各回歸系數(shù)進(jìn)而得到因變量yi的估計(jì)值其中，X'為自變量組成的矩陣X的轉(zhuǎn)置；步驟(3.3)、在數(shù)據(jù)挖掘工具SPSSModeler中建立流模型：在SPSSModeler中，首先在“源”選項(xiàng)卡里面選擇“excel”節(jié)點(diǎn)，將“訓(xùn)練樣本.xls”導(dǎo)入此節(jié)點(diǎn)中，然后在“字段選項(xiàng)”選項(xiàng)卡里面選擇“過(guò)濾”節(jié)點(diǎn)filter與“類(lèi)型”節(jié)點(diǎn)type，用此“過(guò)濾”節(jié)點(diǎn)可以過(guò)濾掉列車(chē)運(yùn)行的“時(shí)刻”項(xiàng)，“類(lèi)型”節(jié)點(diǎn)用以設(shè)置各變量的角色，然后在“建?！边x項(xiàng)卡里面選擇“特征選擇”featureselection和“回歸”regression節(jié)點(diǎn)，接下來(lái)在“字段”選項(xiàng)卡里選擇“導(dǎo)出”節(jié)點(diǎn)export，用以導(dǎo)出模型得到的軸溫值與原始軸溫對(duì)比的表和方框圖。步驟4具體按照以下步驟實(shí)施：步驟(4.1)、模型的匯總檢驗(yàn)：用如下公式衡量模型整體的好壞，其中，復(fù)相關(guān)系數(shù)R，決定系數(shù)R2，校正的決定系數(shù)Radj2：R2=SSRSStotal=Σ(y^i-y‾i)2Σ(yi-y‾i)2]]>R2adj=1-n-1n-p-1(1-R2)]]>其中，復(fù)相關(guān)系數(shù)R表示模型中自變量與因變量線性關(guān)系的密切程度。其中yi為因變量軸溫T，為所述步驟(3.2)中得到的yi的估計(jì)量，實(shí)際上它是yi與其估計(jì)量的簡(jiǎn)單線性相關(guān)系數(shù)，其取值范圍為(0,1)，沒(méi)有負(fù)值，R值越大，說(shuō)明線性回歸關(guān)系越密切，決定系數(shù)R2表示因變量的總變異中由回歸模型中自變量解釋的部分所占的比例，回歸方程的解釋力一般是由決定系數(shù)R2來(lái)測(cè)量的，因此一般情況下R2越大越好，其中SSR為回歸平方和，SStotal為總的平方和，為因變量軸溫T的均值，校正的決定系數(shù)Radj2是衡量所建模型好壞的重要指標(biāo)之一，其中，n表示的是樣本的含量，p表示的是自變量的個(gè)數(shù)，Radj2越大，模型的效果越好；步驟(4.2)、訓(xùn)練樣本的相對(duì)誤差直方圖：對(duì)步驟2中得到的訓(xùn)練樣本，分別對(duì)三個(gè)運(yùn)行階段的訓(xùn)練樣本，用步驟(3.2)得到的回歸方程計(jì)算出估計(jì)值則相對(duì)誤差為relativeerror=abs(yi-y^i)/yi]]>然后畫(huà)出其直方圖，觀察其分布情況；步驟(4.3)、對(duì)測(cè)試樣本進(jìn)行檢驗(yàn)：對(duì)步驟2中得到的測(cè)試樣本，分別對(duì)三個(gè)運(yùn)行階段的測(cè)試樣本，用步驟(3.2)得到的回歸方程計(jì)算出估計(jì)值則相對(duì)誤差為relativeerror=abs(yi-y^i)/yi,]]>然后分別對(duì)三個(gè)運(yùn)行階段的測(cè)試樣本，在一個(gè)圖中畫(huà)出因變量軸溫T、軸溫T的估計(jì)值相對(duì)誤差(relativeerror)的折線圖，并使用雙坐標(biāo)形式，相對(duì)誤差圖能夠反映出模型擬合效果的情況，在此圖中，通過(guò)預(yù)測(cè)值和真實(shí)值的折線圖能夠清楚的看到模型擬合的效果，而通過(guò)相對(duì)誤差折線圖能夠看到預(yù)測(cè)效果的好壞，如果隨著時(shí)間的推移，相對(duì)誤差值變得越來(lái)越大，則說(shuō)明模型對(duì)后期預(yù)測(cè)效果不如早期的，因?yàn)轭A(yù)測(cè)誤差始終處于可接受范圍，故該方法能有效對(duì)軸溫進(jìn)行預(yù)測(cè)，從而可以將軸溫的不正常升溫當(dāng)做列車(chē)熱軸故障檢測(cè)的一個(gè)判別標(biāo)準(zhǔn)，以最大可能的避免事故的擴(kuò)大。本發(fā)明的有益效果是，一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法，對(duì)高鐵列車(chē)軸溫?cái)?shù)據(jù)分段進(jìn)行分析，實(shí)現(xiàn)了基于數(shù)據(jù)的高速列車(chē)軸溫預(yù)測(cè)方法，運(yùn)用回歸分析方法，可以有效的對(duì)軸溫?cái)?shù)據(jù)進(jìn)行近似，預(yù)測(cè)的誤差始終處于可以接受的范圍之內(nèi)。將實(shí)際檢測(cè)軸溫與本回歸模型得到的預(yù)測(cè)軸溫進(jìn)行比對(duì)，分析其差異程度即可建立基于軸溫的車(chē)軸故障判別模型，最大程度的避免了列車(chē)運(yùn)行的事故。附圖說(shuō)明圖1是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法的總體流程圖；圖2是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中建立分區(qū)流程圖；圖3是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中建立回歸模型流程圖；圖4是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中對(duì)測(cè)試樣本進(jìn)行檢驗(yàn)的流程圖；圖5是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中對(duì)加速階段訓(xùn)練樣本進(jìn)行檢驗(yàn)的相對(duì)誤差直方圖；圖6是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中對(duì)平穩(wěn)運(yùn)行階段訓(xùn)練樣本進(jìn)行檢驗(yàn)的相對(duì)誤差直方圖；圖7是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中對(duì)減速階段訓(xùn)練樣本進(jìn)行檢驗(yàn)的相對(duì)誤差直方圖；圖8是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中對(duì)加速階段的測(cè)試樣本進(jìn)行檢驗(yàn)的曲線圖；圖9是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中對(duì)平穩(wěn)運(yùn)行階段測(cè)試樣本進(jìn)行檢驗(yàn)的曲線圖；圖10是本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法中對(duì)減速階段測(cè)試樣本進(jìn)行檢驗(yàn)的曲線圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。本發(fā)明一種基于多元回歸模型的高速列車(chē)動(dòng)態(tài)軸溫預(yù)測(cè)方法，具體流程如圖1所示，具體按照以下步驟實(shí)施：步驟1、對(duì)列車(chē)的原始數(shù)據(jù)進(jìn)行分類(lèi)；步驟2：對(duì)步驟1進(jìn)行分類(lèi)后的數(shù)據(jù)進(jìn)行分區(qū)處理；步驟3：對(duì)步驟2得到的分區(qū)處理后的數(shù)據(jù)建立軸溫分析的流模型；步驟4：對(duì)步驟3得到的流模型進(jìn)行檢驗(yàn)。其中，步驟1具體按照以下步驟實(shí)施：步驟(1.1)、采集列車(chē)原始軸溫?cái)?shù)據(jù)，放入集合“Num.1”中，列車(chē)原始軸溫?cái)?shù)據(jù)包括：列車(chē)速度v、軸溫T、每個(gè)起停階段的初始軸溫T0、環(huán)境溫度C、運(yùn)行時(shí)間t以及載重L；步驟(1.2)、將所述步驟(1.1)中采集到的列車(chē)原始軸溫?cái)?shù)據(jù)集合“Num.1”按照速度分割為n個(gè)起停階段，n＝9，每個(gè)起停階段均包括n個(gè)加速階段、n個(gè)平穩(wěn)運(yùn)行階段和n個(gè)減速階段；步驟(1.3)、將步驟(1.2)中的n個(gè)加速階段的數(shù)據(jù)放入集合“Num.2”中的表sheet1中，然后將表sheet1重命名為“加速階段”，將n個(gè)平穩(wěn)運(yùn)行階段的數(shù)據(jù)放入集合“Num.2”中的表sheet2中，然后將sheet2重命名為“平穩(wěn)運(yùn)行階段”，將n個(gè)減速階段的數(shù)據(jù)放入集合“Num.2”中的表sheet3中，然后將表sheet3重命名為“減速階段”。步驟2具體流程如圖2所示，按照以下步驟實(shí)施：對(duì)于步驟1中的“Num.2”中三個(gè)運(yùn)行階段的運(yùn)行時(shí)間點(diǎn)t，令t＝random(10)，隨機(jī)產(chǎn)生一個(gè)0～10的隨機(jī)數(shù)賦給變量t，若t＞3則為“真”，否則為“假”，且導(dǎo)出包含t＞3對(duì)應(yīng)的變量作為“訓(xùn)練樣本”數(shù)據(jù)集，導(dǎo)出不包含t＞3對(duì)應(yīng)的變量作為“測(cè)試樣本”數(shù)據(jù)集，以此方法將會(huì)分別得到“加速訓(xùn)練樣本.xls”,“平穩(wěn)訓(xùn)練樣本.xls”，“減速訓(xùn)練樣本.xls”，“加速測(cè)試樣本.xls”，“平穩(wěn)測(cè)試樣本.xls”，“減速測(cè)試樣本.xls”。步驟3具體按照以下步驟實(shí)施：步驟(3.1)、預(yù)測(cè)變量的相關(guān)性：對(duì)經(jīng)過(guò)所述步驟2處理后的“加速訓(xùn)練樣本.xls”,“平穩(wěn)訓(xùn)練樣本.xls”及“減速訓(xùn)練樣本.xls”中的預(yù)測(cè)變量進(jìn)行相關(guān)性分析，即速度v、每個(gè)起停階段的初始軸溫T0、環(huán)境溫度C、運(yùn)行時(shí)間t以及載重L與軸溫T之間的相關(guān)性系數(shù)，其依據(jù)如下：r=NΣxiyi-ΣxiΣyiNΣxi2-(Σxi)2NΣyi2-(Σyi)2]]>其中，N為變量的個(gè)數(shù)，xi為自變量，yi為因變量——軸溫T，r為皮爾遜Pearson相關(guān)系數(shù)，當(dāng)(1)0.8≤r≤1時(shí)，變量為極強(qiáng)相關(guān)；(2)0.6≤r＜0.8時(shí)，變量為強(qiáng)相關(guān)；(3)0.4≤r＜0.6時(shí)，變量為中等程度相關(guān)；(4)0.2≤r＜0.4時(shí)，變量為弱相關(guān)；(5)0.0≤r＜0.2時(shí)，變量為極弱相關(guān)或者無(wú)相關(guān)，因?yàn)橛绊戄S溫的因素較多，故能夠根據(jù)相關(guān)系數(shù)r剔除掉極弱相關(guān)或者無(wú)關(guān)的影響因素；步驟(3.2)、回歸系數(shù)的計(jì)算，具體流程如圖3所示：對(duì)經(jīng)過(guò)步驟2處理后得到的三個(gè)階段的訓(xùn)練樣本數(shù)據(jù)進(jìn)行回歸分析，樣本回歸模型的矩陣表示為其中，e為因變量的實(shí)測(cè)值與估計(jì)值之差，為偏回歸系數(shù)，表示當(dāng)其他自變量取值固定時(shí)，自變量xi每改變一個(gè)單位時(shí)yi的變化量，將三個(gè)運(yùn)行階段中的變量速度v(x1i)、每個(gè)起停階段的初始軸溫T0(x2i)、環(huán)境溫度C(x3i)、運(yùn)行時(shí)間t(x4i)以及載重L(x5i)作為回歸模型中的自變量xki，且生成自變量矩陣X如下：X=(x1i)T(x2i)T...(xki)T]]>上式中，k為自變量的個(gè)數(shù)，i為每個(gè)自變量包含的元素?cái)?shù)，將軸溫T(yi)作為回歸模型中的因變量yi，且生成包含所有目標(biāo)集的k維向量Y如下：Y=y1y2...yk]]>用公式得出各回歸系數(shù)進(jìn)而得到因變量yi的估計(jì)值其中，X'為自變量組成的矩陣X的轉(zhuǎn)置；在本發(fā)明中，分別得到三個(gè)階段的回歸方程如下：加速階段：Axletemperature＝t*0.00077+v*0.001162+C*(-0.01033)+T0*0.9732+L*(-0.05983)+14.31平穩(wěn)運(yùn)行階段：Axletemperature＝t*0.007062+v*0.02243+C*0.1834+T0*1.139+L*(-1.129)+241.6減速階段：Axletemperature＝t*(-0.01343)+v*(-0.01225)+C*0.2036+T0*0.9274+L*0.04744+(-6.442)步驟(3.3)、在數(shù)據(jù)挖掘工具SPSSModeler中建立流模型：在SPSSModeler中，首先在“源”選項(xiàng)卡里面選擇“excel”節(jié)點(diǎn)，將“訓(xùn)練樣本.xls”導(dǎo)入此節(jié)點(diǎn)中，然后在“字段選項(xiàng)”選項(xiàng)卡里面選擇“過(guò)濾”節(jié)點(diǎn)filter與“類(lèi)型”節(jié)點(diǎn)type，用此“過(guò)濾”節(jié)點(diǎn)可以過(guò)濾掉列車(chē)運(yùn)行的“時(shí)刻”項(xiàng)，“類(lèi)型”節(jié)點(diǎn)用以設(shè)置各變量的角色，然后在“建?！边x項(xiàng)卡里面選擇“特征選擇”featureselection和“回歸”regression節(jié)點(diǎn)，接下來(lái)在“字段”選項(xiàng)卡里選擇“導(dǎo)出”節(jié)點(diǎn)export，用以導(dǎo)出模型得到的軸溫值與原始軸溫對(duì)比的表和方框圖。步驟4具體按照以下步驟實(shí)施：步驟(4.1)、模型的匯總檢驗(yàn)：用如下公式衡量模型整體的好壞，其中，復(fù)相關(guān)系數(shù)R，決定系數(shù)R2，校正的決定系數(shù)Radj2：R2=SSRSStotal=Σ(y^i-y‾i)2Σ(yi-y‾i)2]]>R2adj=1-n-1n-p-1(1-R2)]]>其中，復(fù)相關(guān)系數(shù)R表示模型中自變量與因變量線性關(guān)系的密切程度。其中yi為因變量軸溫T，為所述步驟(3.2)中得到的yi的估計(jì)量，實(shí)際上它是yi與其估計(jì)量的簡(jiǎn)單線性相關(guān)系數(shù)，其取值范圍為(0,1)，沒(méi)有負(fù)值，R值越大，說(shuō)明線性回歸關(guān)系越密切，決定系數(shù)R2表示因變量的總變異中由回歸模型中自變量解釋的部分所占的比例，回歸方程的解釋力一般是由決定系數(shù)R2來(lái)測(cè)量的，因此一般情況下R2越大越好，其中SSR為回歸平方和，SStotal為總的平方和，為因變量軸溫T的均值，校正的決定系數(shù)Radj2是衡量所建模型好壞的重要指標(biāo)之一，其中，n表示的是樣本的含量，p表示的是自變量的個(gè)數(shù)，Radj2越大，模型的效果越好；步驟(4.2)、訓(xùn)練樣本的相對(duì)誤差直方圖：對(duì)步驟2中得到的訓(xùn)練樣本，分別對(duì)三個(gè)運(yùn)行階段的訓(xùn)練樣本，用步驟(3.2)得到的回歸方程計(jì)算出估計(jì)值則相對(duì)誤差為relativeerror=abs(yi-y^i)/yi]]>然后畫(huà)出其直方圖，得到的圖形結(jié)果如圖5、圖6、圖7所示，觀察其分布情況，由圖5、圖6、圖7我們可以看出，更多的相對(duì)誤差處于一個(gè)比較小的范圍，因此由輸出的圖形可以看出該模型達(dá)到了一定的精度；步驟(4.3)、對(duì)測(cè)試樣本進(jìn)行檢驗(yàn)，具體的流程圖如圖4所示：對(duì)步驟2中得到的測(cè)試樣本，分別對(duì)三個(gè)運(yùn)行階段的測(cè)試樣本，用步驟(3.2)得到的回歸方程計(jì)算出估計(jì)值則相對(duì)誤差為relativeerror=abs(yi-y^i)/yi,]]>然后分別對(duì)三個(gè)運(yùn)行階段的測(cè)試樣本，在一個(gè)圖中畫(huà)出因變量軸溫T、軸溫T的估計(jì)值相對(duì)誤差(relativeerror)的折線圖，并使用雙坐標(biāo)形式，相對(duì)誤差圖能夠反映出模型擬合效果的情況。得到的圖形結(jié)果如圖8、圖9、圖10所示，在此圖中，通過(guò)預(yù)測(cè)值和真實(shí)值的折線圖能夠清楚的看到模型擬合的效果，而通過(guò)相對(duì)誤差折線圖能夠看到預(yù)測(cè)效果的好壞，如果隨著時(shí)間的推移，相對(duì)誤差值變得越來(lái)越大，則說(shuō)明模型對(duì)后期預(yù)測(cè)效果不如早期的，因?yàn)轭A(yù)測(cè)誤差始終處于可接受范圍，故該方法能有效對(duì)軸溫進(jìn)行預(yù)測(cè)，從而可以將軸溫的不正常升溫當(dāng)做列車(chē)熱軸故障檢測(cè)的一個(gè)判別標(biāo)準(zhǔn)，以最大可能的避免事故的擴(kuò)大。當(dāng)前第1頁(yè)1 2 3