轨道车辆垂向轮轨力时域识别对比及其机器学习修正

为了尽可能减小轨道车辆垂向轮轨力时域识别中存在的误差,以时域法为基础,开展了基于机器学习修正的轨道车辆垂向轮轨力识别研究.首先建立了车辆动力学仿真模型,获取了车辆在随机轨道激励下以250km/h速度行驶时的轴箱加速度响应和垂向轮轨力.其次,建立了Green函数法、状态空间法这2种时域法对应的动载荷识别模型,对状态空间法的初值误差进行了分析,并引入多项式拟合法修正其趋势项误差,进而对比分析了2种方法的计算精度和计算效率.然后,针对时域法存在的识别误差,提出采用NARX(nonlinear autoregressive models with exogenous inputs)模型对识别误差进行训练和预测,用于消减模型中存在的如响应观测不全与观测噪声等因素造成的影响,进而对时域法识别结果进行修正,提高识别精度.最后,通过一个10自由度轨道车辆垂向动力学模型,对方法的正确性进行了验证.研究结果表明:2种方法对轨道车辆垂向轮轨力均具有较高的识别精度,对于各轮对的识别精度各有优劣;在计算效率方面,状态空间法比Green函数法更优;经NARX模型修正的2种时域法对轨道车辆垂向轮轨力均具有很好的识别效果,识别值与正演值的Pearson相关系数大于0.99,为极强相关.基于NARX模型的机器学习误差修正方法可有效提高时域识别精度,可以为后续轨道车辆轮轨力预测提供参考,具有较强的工程运用价值.

轨道交通复合线路轮轨力实时识别网络研究

[目的]轮轨力对研究轨道交通列车运行状态、车轮不圆及轨道波磨等问题具有重要作用。现有轮轨力识别方法存在数据采集困难、使用成本大,无法识别轨道交通线路条件下的轮轨力等问题,需对轨道交通线路轮轨力实时识别网络进行研究。[方法]基于卷积神经网络构建轨道交通线路轮轨力实时识别网络。根据某型城市轨道交通拖车实测数据,采用SIMPACK软件建立仿真模型。基于仿真数据,研究了轮轨力实时识别网络在不同曲线半径线路和不同列车运行速度等工况下对横向和垂向轮轨力的识别精度与速度。[结果及结论]轮轨力实时识别网络对轮轨垂向力的识别能力优异,其相关系数均能达到0.99,平均绝对误差约为500 N且仅为真实值的1%;该网络对轮轨横向力的识别能力随着列车运行速度的提高有所下降,但仍在可接受范围内,其相关系数由0.93降低至0.65,平均绝对误差由1480 N提高至3000 N且约为真实值的20%。轮轨力实时识别网络具备较快的计算速度,能够满足轮轨力实时识别的需求。