Forscher haben ein auf Long Short-Term Memory (LSTM) basierendes Vorhersagemodell vorgestellt, das die Temperaturentwicklung von Schlüsselkomponenten in elektrischen Schaltschränken von Hochgeschwindigkeitszügen genauer prognostiziert und damit die Betriebssicherheit erhöht.
Hintergrund
Die Temperatur von Bauteilen in den Schaltschränken wirkt sich unmittelbar auf die Sicherheit und Zuverlässigkeit des Zugbetriebs aus, da Überhitzung zu Ausfällen führen kann.
Datenerhebung und Modellierung
Die Autoren haben einen multivariaten Datensatz erstellt, der Zeitreihen von Temperaturmessungen, Umgebungsbedingungen und betrieblichen Parametern umfasst. Anschließend wurden verschiedene Vorhersagemodelle – ein radial‑basis‑Funktion‑Netzwerk (RBF), ein ARIMA‑Modell, Prophet und das LSTM‑Netzwerk – implementiert.
Vergleichende Analyse
Im Rahmen systematischer Tests wurden die Modelle hinsichtlich ihrer Vorhersagegenauigkeit und Stabilität bewertet. Dabei wurden Einflussfaktoren wie Netzwerkarchitektur, Anzahl der Schichten und Größe des Zeitfensters variiert.
Ergebnisse
Das LSTM‑Modell erzielte die niedrigsten Werte bei den Kennzahlen RMSE und MAE und zeigte zugleich eine höhere Vorhersage‑Stabilität im Vergleich zu den anderen Verfahren. Die Ergebnisse belegen, dass LSTM langfristige Trends und kurzfristige Schwankungen der Temperaturdaten effektiv erfasst.
Implikationen
Nach Angaben der Autoren kann das Modell als technisches Hilfsmittel für die Zustandsüberwachung und frühzeitige Fehlermeldung von Schaltschränken eingesetzt werden, wodurch potenzielle Störungen im Bahnbetrieb rechtzeitig erkannt werden können.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung