基于CNN-LSTM的轨道车辆轮对运行状态识别方法研究

轨道车辆的轮对运行实时状态是评价车辆运行安全性及轮对导向控制的关键信息,针对轨道车辆在运行过程中轮对横移、摇头角实时状态直接测量成本高、难度大等问题,提出了一种基于卷积神经网络(CNN)内嵌长短记忆(LSTM)网络的轮对运动状态识别及预测方法。以轮对横向加速度、轮对摇头角加速度、一系悬挂位移量等易测信号构成特征集,通过CNN对时序信号进行多维度空间特征提取并输入到LSTM中捕获时序特征,最后通过全连接层输出轮对横移及摇头角的预测值,结合车辆运行的实际工况特点,对预测模型的泛化性及鲁棒性进行检验。仿真结果表明:相较于传统的单LSTM识别模型,CNN-LSTM模型能有效降低轮对运动状态的识别误差,且在不同运行工况以及车辆物理参数变化的情况下,该模型具有高鲁棒性,能够保持较高的预测精度。