面向地铁曲线状态监测与评价的列车车体振噪数据集

一、数据加工处理
从列车上采集到的是原始、连续的振动加速度和客室内噪声信号，必须将其加工成能够量化反映曲线状态的标准化指标，采用公式（详见数据知识产权登记申请表），计算垂直加速度有效值、水平加速度有效值、噪声有效值。
二、振动、噪声数据融合分析
单一的振动或噪声指标只能反映曲线某一方面的性能。为了全面评价曲线的整体健康状况，我们需要将这些不同维度（即垂直加速度有效值、水平加速度有效值、噪声有效值）的数据进行融合，构建曲线健康指数CHI（计算公式详见数据知识产权登记申请表）、数据驱动的综合健康等级。CHI值越大，说明相应曲线的整体质量越差。
数据驱动的综合健康等级采用层次聚类算法。
三、基于阈值的维修策略自动生成
需要结合历史数据、维修能力和管理水平，为曲线健康指数CHI设定一个评价基准值。当某段曲线计算出的CHI值超过了预设的阈值时，模型就判定该曲线的整体健康状态较差，自动触发维修指令，尽快安排检查和维修活动。

搜集汇总

背景与挑战

背景概述

该数据集是一个面向地铁曲线状态监测的列车车体振动和噪声数据集，包含13089条记录，每月更新，用于评估曲线健康状态和指导维修策略。它通过融合振动和噪声数据计算健康指数（CHI），并采用机器学习算法确定综合健康等级，帮助避免过维修或欠维修问题。