【技术实现步骤摘要】
磁悬浮列车轨道不平顺的监测及预测方法、装置和系统
本专利技术涉及磁悬浮列车领域,尤其涉及一种磁悬浮列车的轨道不平顺的监测及预测方法、装置和系统。
技术介绍
磁悬浮列车是以非接触的电磁力实现车辆的支撑和导向控制。在磁悬浮列车的轨道建设中,大量采用了高架桥梁等结构,由于桥梁的地基构造等问题,建设一条完全平顺的列车轨道是难以实现的,在列车轨道中总是存在着高低、水平等多种轨道不平顺的现象。而轨道不平顺是引起磁悬浮列车振动的主要根源,严重的轨道不平顺不仅会引起磁悬浮列车的剧烈振动,使轨道与磁悬浮列车之间作用力加大,甚至会导致磁悬浮列车与轨道直接相碰撞,危及行车安全。因此,为了确保磁悬浮列车的安全稳定运行,寻求对磁悬浮列车轨道不平顺的监测方法是本领域亟待解决的技术问题。
技术实现思路
有鉴于此,本专利技术提供了一种磁悬浮列车轨道不平顺的监测及预测方法、装置和系统。为了解决上述技术问题,本专利技术采用了如下技术方案:一种磁悬浮列车轨道不平顺的监测方法,包括:获取磁悬浮列车在实际轨道上运行时的第一运行状态数据和第一悬浮性能数据;所述第一运行状态数据包括第一列车位置信息和第一运行速度;所述实际轨道上包括轨道不平顺点;根据所述第一列车位置信息确定所述轨道不平顺点的特定轨道不平顺类型;从特定轨道不平顺类型的各个轨道不平顺程度的悬浮性能数据和运行速度的各个对应关系中查找与所述第一运行速度、第一悬浮性能数据相对应的第一轨道不平顺程度。一种磁悬浮列车轨道不平顺的预测方法,包括:根据上述实施方式所述的方法获取轨道不平顺点在过去T个不同时刻时的轨道不平顺程度;其中,T≥2,且T为整数;根据所 ...
【技术保护点】
一种磁悬浮列车轨道不平顺的监测方法,其特征在于,包括:获取磁悬浮列车在实际轨道上运行时的第一运行状态数据和第一悬浮性能数据;所述第一运行状态数据包括第一列车位置信息和第一运行速度;所述实际轨道上包括轨道不平顺点;根据所述第一列车位置信息确定所述轨道不平顺点的特定轨道不平顺类型;从特定轨道不平顺类型的各个轨道不平顺程度的悬浮性能数据和运行速度的各个对应关系中查找与所述第一运行速度、第一悬浮性能数据相对应的第一轨道不平顺程度。
【技术特征摘要】
1.一种磁悬浮列车轨道不平顺的监测方法,其特征在于,包括:获取磁悬浮列车在实际轨道上运行时的第一运行状态数据和第一悬浮性能数据;所述第一运行状态数据包括第一列车位置信息和第一运行速度;所述实际轨道上包括轨道不平顺点;根据所述第一列车位置信息确定所述轨道不平顺点的特定轨道不平顺类型;从特定轨道不平顺类型的各个轨道不平顺程度的悬浮性能数据和运行速度的各个对应关系中查找与所述第一运行速度、第一悬浮性能数据相对应的第一轨道不平顺程度。2.根据权利要求1所述的方法,其特征在于,所述磁悬浮列车在实际轨道上运行具体为:所述磁悬浮列车以第一运行速度匀速在实际轨道上运行。3.根据权利要求1所述的方法,其特征在于,所述从特定轨道不平顺类型的各个轨道不平顺程度的悬浮性能数据和运行速度的各个对应关系中查找与所述第一运行速度、第一悬浮性能数据相对应的第一轨道不平顺程度之后,还包括:根据所述第一轨道不平顺程度获得在所述第一轨道不平顺程度的悬浮性能数据和运行速度的第一对应关系;从所述第一对应关系中查找磁悬浮列车以第二运行速度通过所述轨道不平顺点时对应的第二磁悬浮性能数据;判断所述第二磁悬浮性能数据是否超过磁悬浮性能数据阈值,如果是,对磁悬浮列车经过所述轨道不平顺点时进行限速运行或对轨道不平顺点进行维修。4.根据权利要求1所述的方法,其特征在于,所述特定轨道不平顺类型的各个轨道不平顺程度的悬浮性能数据和运行速度的各个对应关系为特定轨道不平顺类型的各个不同轨道不平顺程度下的悬浮性能数据和运行速度的关系曲线、关系曲线函数表达式或由所述关系曲线上的数据转换成的轨道不平顺程度标准表;其中,每一个轨道不平顺程度对应一条悬浮性能数据和运行速度的关系曲线,所述关系曲线是通过对实验数据拟合、修正得到的;其中,在轨道不平顺程度标准表的行方向和列方向中,一个方向为运动速度,另一方向为悬浮性能数据,行列交叉点为运行速度、悬浮性能数据对应的轨道不平顺程度。5.根据权利要求1所述的方法,其特征在于,所述悬浮性能数据包括悬浮间隙幅值和悬浮电流幅值中的至少一种。6.一种磁悬浮列车轨道不平顺的预测方法,其特征在于,包括:根据权利要求1-5任一项所述的方法获取轨道不平顺点在过去T个不同时刻时的轨道不平顺程度;其中,T≥2,且T为整数;根据所述过去T个不同时刻对应的轨道不平顺程度,利用基于时间的预测模型预测未来预设时刻时的轨道不平顺程度。7.根据权利要求6所述的方法,其特征在于,所述基于时间的预测模型包括:经典时间序列预测模型、Kalman滤波器预测模型、灰色理论预测模型、人工神经网络模型或递推合成人工神经网络模型。8.根据权利要求6所述的方法,其特征在于,所述基于时间的预测模型为递推合成人工神经网络模型,所述递推合成人工神经网络模型的输入层为N个节点,输出层为F个节点;且N、F均为正整数;所述根据所述过去T个不同时刻对应的轨道不平顺程度,利用基于时间的预测模型预测未来预设时刻时的轨道不平顺程度,具体包括:将所述过去T个不同时刻对应的轨道不平顺程度按照时间先后顺序排序,形成轨道不平顺程度时间序列;所述轨道不平顺程度时间序列中的时间序列值为不同时刻下的轨道不平顺程度;T=N+F+Q-1,且Q均为正整数;将轨道不平顺程度时间序列中的时间序列值进行归一化,得到归一化后的轨道不平顺程度时间序列;根据递推合成人工神经网络模型的输入层和输出层的节点数将所述归一化后的轨道不平顺程度时间序列中的T个时间序列值划分为Q对输入输出样本对,每对输入输出样本对包括N+F个时间序列值,前N个时间序列值为输入样本中的时间序列值,后F个时间序列值为输出样本中的时间序列值;所述输入样本还包括与该输入样本构成输入输出样本对的输出样本的时刻;将训练样本中的输入样本输入到递推合成人工神经网络模型的输入层中,得到递推人工神经网络模型的实际输出;所述训练样本为所述Q对输入输出样本对的至少部分对输入输出样本对;判断所述实际输出与目标输出的均方误差是否达到预设要求,如果是,训练结束,如果否,调整递推合成人工神经网络模型的各节点的连接权值与阈值,返回执行所述将训练样本中的输入样本到递推合成人工神经网络模型中,得到递推人工神经网络模型的实际输出的步骤;其中,所述目标输出为与所述输入样本形成输入输出样本对的输出样本;将所述归一化后的轨道不平顺程度时间序列中的最近(N-F)个时刻的时间序列值和未来F个预设时刻输入训练后的递推合成人工神经网络模型中,预测得到未来F个预设时刻的轨道不平顺程度。9.一种磁悬浮列车轨道不平顺的预测方法,其特征在于,包括:获取磁悬浮列车在过去n个时刻内通过实际轨道不平顺点的悬浮性能数据;其中,n≥2,且T为整数;根据所述过去n个不同时刻对应的悬浮性能数据,利用基于时间的预测模型预测未来预设时刻时的悬浮性能数据;查找悬浮性能数据和轨道不平顺程度的关系,得到与未来预设时刻内的悬浮性能数据相对应的轨道不平顺程度。10.根据权利要求9所述的方法,其特征在于,所述基于时间的预测模型包括:经典时间序列预测模型、Kalman滤波器预测模型、灰色理论预测模型、人工神经网络模型或递推合成人工神经网络模型。11.根据权利要求10所述的方法,其特征在于,所述基于时间的预测模型为递推合成人工神经网络模型,所述递推合成人工神经网络模型的输入层为N个节点,输出层为F个节点;且N、F均为正整数;所述根据所述过去n个不同时刻对应的悬浮性能数据,利用基于时间的预测模型预测未来预设时刻时的悬浮性能数据,具体包括:根据所述过去n个不同时刻对应的m个种类的悬浮性能数据,利用基于时间的预测模型预测未来预设时刻时的悬浮性能数据,m为正整数。12.根据权利要求10所述的方法,其特征在于,所述根据所述过去n个不同时刻对应的m个种类的悬浮性能数据,利用基于时间的预测模型预测未来预设时刻时的悬浮性能数据,具体包括:将过去n个不同时刻对应的m个种类的悬浮性能数据按照时间先后顺序排序,生成悬浮性能数据时间序列;每种悬浮性能数据生成对应的一个悬浮性能数据时间序列;将悬浮性能数据时间序列中的时间序列值进行归一化处理,得到归一化后的悬浮性能数据时间序列;根据递推合成BP网络模型的输入层和输出层的节点数,将悬浮性能数据时间序列中的n个时刻的数据划分为Q对输入输出样本对:每对输入输出样本对包括N+F个时间序列值,前N个时间序列值为输入样本中的时间序列值,后F个时间序列值为输出样本中的时间序列值;所述输入样本还包括与该输入样本构成输入输出样本对的输出样本的时刻;n=N+F+Q-1,且Q均为正整数;将所述Q对输入输出样本对中的至少部分样本对作为训练样本,将训练样本中的输入样本输入到递推合成BP网络模型的输入层的各个节点上,通过递推合成BP网络模型的运算,得到该模型的实际输出:判断所述实际输出与目标输出的均方误差是否达到预设要求,如果是,训练结束,如果否,调整递推合成BP网络模型的各节点的连接权值与阈值,返回执行所述将训练样本中的输入样本到递推合成BP网络模型的输出层的各个节点上,通过递推合成BP网络模型的...
【专利技术属性】
技术研发人员:龙志强,窦峰山,戴春辉,范成鑫,侯圣杰,文艳辉,黄号凯,吴峻,周文武,
申请(专利权)人:北京控股磁悬浮技术发展有限公司,中国人民解放军国防科学技术大学,
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。