System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于高速列车转向架的有限元动力分析和数字孪生领域,具体涉及一种高速列车转向架模型降阶高效数字孪生构建方法。
技术介绍
1、高速列车已成为人们必备的出行交通工具,转向架是高速列车关键的零部件之一,其可靠性直接决定了整车的行驶安全。高速列车转向架在长期服役过程中受不同的载荷和因素的影响,容易出现严重磨损、裂纹,甚至断裂,这对高速列车的安全运行造成极大的威胁。因此,需要探寻一种方法实现对高铁转向架全周期进行快速仿真模拟,实时监测转向架动态行为,通过状态检测和危险预警避免出现重大交通事故,这对保障高速列车长期安全服役具有重大的现实意义。
2、目前,一般采用有限元方法对转向架动态行为的仿真模拟与分析,并结合传感器技术对其进行感知、监控和预测。然而,有限元法需要建立精细的网格模型以保证仿真计算的准确性,但是由于转向架结构体较大且形状复杂,其有限元模型网格数量达到百万级,这导致模型求解计算量非常巨大、且十分耗时,无法满足转向架动态行为实时监测的快速性要求。
3、为满足上述快速性要求,数字孪生技术提供了一种很好的解决方案,即建立一种快速的代理模型替代原始系统,在保证精度的前提下获得更快的求解速度,一般有以下两种方式。一种是有限元模型降阶方法(如物理子空间法、本征正交分解法、模态综合法等),该类方法是通过将复杂的有限元模型进行降阶,从而获得规模小精度高的降阶模型。虽然这类方法能够有效提高计算效率,但在模型精度与计算效率之间存在难以调和的矛盾,即过多追求模型的计算效率必然导致精度剧降,反之亦然。对于转向架全周期仿真
4、综上所述,针对高速列车转向架较为庞大且复杂结构的动态行为实时监测问题,如何构建一种既准确又求解非常快速的数字孪生新方法极为重要,对实现对转向架全周期进行快速地准确地仿真模拟、对危险载荷进行实时监测与预警,保障高速列车安全运行具有非常重要的意义。
技术实现思路
1、本专利技术针对上述现有技术存在的不足,解决目前数字孪生模型仿真技术难以实现快速实时的准确反映高速列车转向架运行状态全过程动态行为的问题,创造性地提出一种高速列车转向架模型降阶高效数字孪生构建方法。
2、为实现本专利技术的目的,本专利技术的
技术实现思路
及技术方案为:
3、一种高速列车转向架模型降阶高效数字孪生构建方法,包括以下步骤:
4、s1获取转向架的实际物理参数,以及多种工况下传感器采集的转向架运行数据;
5、s2基于转向架实际参数,在有限元软件中创建转向架三维几何模型;
6、s3根据转向架运行的受力数据利用拉丁超立方抽样,抽取n个载荷样本fi(i=1,2,…,n),fi是包含一组载荷值的列向量;
7、s4通过有限元方法获得载荷fi作用下对应的位移响应ui,并形成初始样本对集(fi,ui),初始样本对集较为复杂需在下一步进行简化;
8、s5利用固定边界模态综合法(cb法)对位移响应ui减缩得到对应的模态响应qi并形成简化样本对集si=(fi,qi),(i=1,2,…,n);
9、s6使用简化样本对集si训练径向基函数(rbf)神经网络模型,形成cb-rbf模型降阶数字孪生模型;
10、s7将通过传感器采集的转向架运行的动态数据输入形成的cb-rbf模型降阶数字孪生模型并查看模型输出,再与其他方法对比验证已形成的cb-rbf模型降阶数字孪生模型的高效性和可行性。
11、进一步的,步骤s3的具体实现方法包括以下步骤:
12、s31按照拉丁超立方抽样的分层要求,根据材料属性和转向架形状结构对转向架三维模型进行分层;
13、s32根据每层的载荷大小,对每层载荷值进行随机抽样,将分层随机抽取的载荷值形成一个载荷样本f,并随机抽取n次记录总样本fi。
14、进一步的,步骤s4的具体实现方法包括以下步骤:
15、s41在有限元软件中将一个个载荷样本依次加载到三维模型求解得到对应的位移响应;
16、s42将载荷样本与对应的位移响应整合得到初始样本对集(fi,ui),直接将初始样本对集用于后面的模型训练,模型训练速度较慢,故需简化初始样本对集,保留初始样本对集的有效信息,提高模型的训练速度;
17、进一步的,步骤s5的具体实现方法的步骤如下:
18、s51对将转向架系统模型按材料属性或几何形状划分为若干个适当的子结构,本专利技术以划分两个子结构来演示;
19、s52位移响应ui利用模态综合法进行第一次坐标变换变成pi,公式如下:
20、设a、b两个子结构则
21、au=aφap
22、bu=bφbp
23、其中aφ,bφ分别为a、b两个子结构的模态保留矩阵,ap,bp分别为a、b两个子结构的模态坐标。
24、将上述两式组合成大矩阵
25、{ui}=[φ]{pi}
26、其中相应关系如下:
27、
28、
29、
30、s53利用各子结构的界面连接条件,进行第二次坐标变换,消去pi中不独立的模态坐标,得到模态响应qi公式如下:
31、
32、式中apk和bpk分别是a、b子结构主模态的模态坐标,apc和bpc分别为a、b子结构的交界面模态坐标,a、b子结构交界面模态坐标相等,i为单位矩阵。由两次坐标变换导出
33、ui=φ·t·qi
34、即利用固定边界模态综合法对位移响应ui减缩得到对应的低维模态响应qi
35、s54将载荷样本和对应的减缩模态响应组合成简化样本对集si=(fi,qi),(i=1,2,…,n)。
36、进一步的,步骤s6的具体实现方法的如下:
37、径向基函数(rbf)神经网络模型是一种常用的多变量函数插值基函数,其一般形式可记为
38、
39、式中wi为权值系数,ri=||f-fi||表示任意样本点f与已知样本点fi的欧氏距离,f(·)为径向基函数。
40、s61径向基函数有多种,确定此专利技术采用逆多二次函数作为径向基函数,逆多二次函数如下:
41、f(r)=(r2+c2)-1/2
42、式中c为一个大于零的常数,称为平滑系数,其值越大,函数值变化越平缓,反之越陡峭,此方案可取平滑系数c=0.5。
43、s62将样本对集s1(本文档来自技高网...
【技术保护点】
1.一种高速列车转向架模型降阶高效数字孪生构建方法其特征在于,包括以下步骤:
2.根据权利要求1所述的一种高速列车转向架模型降阶高效数字孪生构建方法所述步骤三包括以下步骤:
3.根据权利要求1所述的一种高速列车转向架模型降阶高效数字孪生构建方法所述步骤四包括以下步骤:
4.根据权利要求1所述的一种高速列车转向架模型降阶高效数字孪生构建方法所述步骤五包括以下步骤:
5.根据权利要求1所述的一种高速列车转向架模型降阶高效数字孪生构建方法所述步骤六包括以下步骤:
【技术特征摘要】
1.一种高速列车转向架模型降阶高效数字孪生构建方法其特征在于,包括以下步骤:
2.根据权利要求1所述的一种高速列车转向架模型降阶高效数字孪生构建方法所述步骤三包括以下步骤:
3.根据权利要求1所述的一种高速列车转向架模型降阶高效数...
【专利技术属性】
技术研发人员:谭博欢,邓哲,尹玉洁,谢诒龙,刘金刚,
申请(专利权)人:湘潭大学,
类型:发明
国别省市:
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。