转向架参数测定试验台位姿正解

并联机构位姿正解求解运用的Newton-Raphson迭代法对初值有很强依赖性,且收敛速度较慢,无法满足实时性要求.为此文中提出基于Levenberg-Marquardt(L-M)算法的改进BP分类神经网络结构模型和高阶收敛改进Newton-Raphson迭代法(HMNR)相结合求解并联机构位姿正解.以转向架参数测定试验台为例,借助位姿反解将轨道谱路谱转化成试验台作动器的伸缩量指令,将其给定到液压系统中,驱动试验台耦合运动模拟车体或转向架在该路谱线路上的运行状态.运用大量实际运行样本数据作为训练数据,实现了试验台位姿正解的初值求解,并与常用的基于拟牛顿算法(BFGS)的神经网络模型和量化共轭梯度(SCG)算法的神经网络模型进行对比分析.结果表明,L-M算法模型在误差性能分析上明显优于BFGS与SCG算法模型,且预测角度值误差均小于4×10^(-7),位移值误差均小于8×10^(-4).将预测值作为HMNR法的初值,进行迭代计算,较之Newton-Raphson(NR)法迭代次数减少41%,迭代时间缩短23%.将此混合策略用于试验台,进行实际相邻车端相对位姿测量试验,进一步验证了该策略的有效性.