The invention relates to a method and a device for establishing a characteristic data model of wheel-rail load identification, wherein the method comprises: extracting time-frequency characteristics of Track-Vehicle system detection data using an adaptive signal decomposition algorithm based on variable parameter domain and short-time Gaussian linear frequency modulation basis; and using multi-node cooperative conjugate sparse principal component analysis (PCA). The algorithm fuses the time-frequency characteristics of the detection data of the track and vehicle system, takes the multi-node feature fusion data as the sample data set, and establishes the wheel-rail load identification feature data model using the L1/2_SparsePCA_ELM neural network machine learning algorithm. This technical scheme uses the data modeling method to identify the wheel-rail force in real-time, and then to evaluate the safety state of the interaction between the track and vehicle system. It is an important supplement to the existing track quality evaluation criteria based on track geometric state detection, and is conducive to the comprehensive analysis of the track and vehicle system status and guidance of high-speed railway track maintenance. Maintenance work.
【技术实现步骤摘要】
一种轮轨力载荷辨识特征数据模型建立方法及装置
本专利技术涉及机车车辆检测
,特别涉及一种轮轨力载荷辨识特征数据模型建立方法及装置。
技术介绍
伴随着我国高速铁路的飞速发展,由于列车运行速度和运营里程的增长,为了保证列车运行安全,需要对轮轨系统作用的关键因素-轮轨相互作用力进行识别和监测。目前,测力轮对虽然能够实时检测轮轨力,但其造价成本较高并且维修不便,只能安装在少数综合检测列车上使用。综合检测列车通过车辆动态响应加速度系统和测力轮对等先进检测设备分别对车辆和轮轨系统的状态进行动态检测,采集了大量的轨道-车辆系统动态检测数据,通过分析这些数据,提取出轨道-车辆系统状态的时域和频域特征属性后,使用特征数据建立轮轨力载荷辨识数据模型是辨识轮轨力的一种新途径。轨道-车辆系统是一个动态耦合的相互作用系统,机车车辆在铁路线路上运行时,受轨道不平顺的激扰产生振动;机车车辆的重力和运行中产生的其他载荷通过车轮作用在钢轨上,又引起钢轨的弹性变形和轨道下沉,从而使线路不平顺加剧,其中的轮轨相互作用以力的形式呈现。轮轨力中不仅包含了车辆的动力学性能信息,还包含了车辆运行状态下的轨道-车辆系统耦合动态响应信息。轮轨力可以揭示车辆的运行安全性,通过测量轮轨之间相互作用的垂向和横向力进而可以计算出脱轨系数、轮重减载率、轮轴横向力等指标。这些指标对于评价车辆运行安全与否、研究脱轨机理等起着非常重要的作用。国内外研究者普遍通过建立机理模型解析的方法辨识轮轨作用力,即建立动力学仿真模型,根据已知系统的动态特性和实测的动力响应反算结构所受的动态激励轮轨力。主要使用时域和频域两种方法。 ...
【技术保护点】
1.一种轮轨力载荷辨识特征数据模型建立方法,其特征在于,包括:利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取轨道‑车辆系统检测数据的时频特征;使用多节点协同共轭稀疏主成分分析算法对所述轨道‑车辆系统检测数据的时频特征进行融合;以多节点特征融合数据作为样本数据集,使用L1/2‑SparsePCA‑ELM神经网络机器学习算法建立轮轨力载荷辨识特征数据模型。
【技术特征摘要】
1.一种轮轨力载荷辨识特征数据模型建立方法,其特征在于,包括:利用基于变参数域和短时高斯线性调频基的自适应信号分解算法提取轨道-车辆系统检测数据的时频特征;使用多节点协同共轭稀疏主成分分析算法对所述轨道-车辆系统检测数据的时频特征进行融合;以多节点特征融合数据作为样本数据集,使用L1/2-SparsePCA-ELM神经网络机器学习算法建立轮轨力载荷辨识特征数据模型。2.如权利要求1所述的方法,其特征在于,还包括:在对所述轨道-车辆系统检测数据的时频特征进行融合处理之前,将所述轨道-车辆系统检测数据按时频特征进行滤波处理。3.如权利要求2所述的方法,其特征在于,还包括:对滤波处理后的所述轨道-车辆系统检测数据的时频特征分为训练组和测试组,分别对每组的输入和输出数据进行归一化处理。4.如权利要求1-3任一权利要求所述的方法,其特征在于,所述多节点协同共轭稀疏主成分分析算法表达式为:其中,s和c是两个预先指定的常数;uT为单位正交特征向量[u1,u2…,up]的转置矩阵;u为单位正交特征向量[u1,u2…,up];ΣX为协方差矩阵,ΣX=E[(X-E(X))(X-E(X))T],X表示节点的属性特征,X=(X1,X2,…Xp),p表示节点的属性个数。5.如权利要求3所述的方法,其特征在于,所述使用L1/2-SparsePCA-ELM神经网络机器学习算法建立轮轨力载荷辨识特征数据模型的步骤包括:确定隐层神经元的个数初值;根据所述隐层神经元的个数初值获得隐层神经元间的输入权系数矩阵和隐层神经元阈值矩阵;根据输入权系数矩阵和隐层神经元阈值矩阵确定隐层神经元激活函数;将所述训练组和测试组中的多节点特征融合数据代入神经网络输入层,通过输入权系数矩阵、隐层神经元阈值矩阵和隐层神经元激活函数获得隐含层神经元的输出矩阵;利用所述隐含层神经元的输出矩阵,根据L1/2正则化阈值迭代算法获得所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解,按照所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解中非0元素的个数重新确定所述隐层神经元的个数;利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解进行交叉验证,判断所述轮轨力载荷辨识特征数据模型是否满足工程应用需求;如果满足,则利用输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解以及按照连接权值矩阵的最优解中非0元素的个数重新确定的隐层神经元的个数建立基于多节点L1/2-SparsePCA-ELM神经网络的轮轨力载荷辨识特征数据模型;否则,对所述轨道-车辆系统检测数据的时频特征重新划分训练组和测试组,重新选定输入权系数矩阵、隐层神经元阈值矩阵、所述隐层神经元与输出层神经元之间的连接权值矩阵的最优解,直至建立的轮轨力载荷辨识特征数据模型满足工程应用要求为止。6.一种轮轨力载荷辨识特征数据模型建立装置,其特征在于,包括:特征提取单元,用于利用基于变参数域和短时高...
【专利技术属性】
技术研发人员:王卫东,郭剑峰,靖稳峰,刘金朝,徐贵红,孙善超,梁志明,
申请(专利权)人:中国铁道科学研究院,中国铁道科学研究院基础设施检测研究所,北京铁科英迈技术有限公司,西安交通大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。