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】
本专利技术涉及铁路运输安全,尤其是涉及一种基于lm-bp神经网络的等效锥度预测方法、电子设备和介质。
技术介绍
1、等效锥度是轮轨几何接触中的重要参数,它能决定轮轨之间的匹配程度。根据我国以往对轨道车辆振动及车轮磨耗的跟踪测试结果,发现等效锥度与车辆的振动响应密切相关,等效锥度过小或过大会在车辆运行中引发晃车或构架横向失稳问题。所以定期测试车辆的车轮踏面廓形并准确计算等效锥度是很有必要的。
2、现有技术中,关于等效锥度的常规计算流程为测量获取轮轨廓形及位置参数,对车轮廓形进行平滑和插值处理后确定出轮轨接触点,然后求得一定轮对横移范围内对应的左右车轮滚动圆半径差,最后依据uic519积分法计算得到等效锥度。可见,等效锥度的计算流程步骤繁琐、过程颇为复杂;面对轨道列车实际运营中对所有车轮等效锥度的定期监测需求,等效锥度的常规计算流程就显得十分耗时耗力。
3、因此,现有技术亟需一种高效、精确且省时省力的等效锥度预测方法。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种高效、精确且省时省力的基于lm-bp神经网络的等效锥度预测方法、电子设备和介质。
2、本专利技术的目的可以通过以下技术方案来实现:
3、根据本专利技术的第一个方面,本专利技术提供一种基于lm-bp神经网络的等效锥度预测方法,其特征在于,采集车轮踏面的凹磨参数,输入预先构建并训练好的lm-bp神经网络中,得到所述车轮踏面的等效锥度;
4
5、测量车轮踏面的廓形数据,将测量的车轮踏面的廓形数据与新车轮踏面的廓形数据相减,得到车轮踏面的磨耗分布曲线,将磨耗分布曲线中最大磨耗深度所对应的横向位置作为凹磨位置w1,最大磨耗深度作为凹磨深度w2,磨耗量分布的宽度作为凹磨宽度w3。
6、优选地,所述lm-bp神经网络包括输入层、隐藏层和输出层,其中输入层包括至少三个神经元,分别为凹磨位置w1、凹磨深度w2和凹磨宽度w3,输出层包括至少一个神经元,等效锥度。
7、优选地,通过levenberg-marquardt算法训练lm-bp神经网络模型。
8、优选地,训练过程具体为:
9、1)进行参数初始化,包括训练误差允许值ε、系数β、阻尼因子μ0、初值向量x0;
10、2)计算误差指标函数e(xk),xk表示第k次迭代的权值和阈值所组成的控制向量;
11、3)在迭代过程中,对xk进行修正;
12、4)若e(xk)<ε,xk为最优控制量,转至6);否则,以xk+1为新的初值向量来计算误差函数,满足e(xk+1)=xk+1·e(xk);
13、5)若e(xk+1)<e(xk),则保留此次迭代结果,减小阻尼系数μ来提高计算精度并继续进行迭代,令k=k+1,μ=μ/β,回到步骤2);否则不更新控制量,增大阻尼系数μ后重新计算,令xk+1=xk,μ=μ·β,直到满足e(xk+1)<e(xk)时停止增大μ;
14、6)停止迭代,训练结束。
15、优选地,描述误差指标函数e(xk)的公式为:
16、
17、式中,ei是第i个神经元的误差,n是神经元个数,则有
18、
19、
20、式中,是梯度,是误差指标函数e(x)的hessian矩阵,是雅可比矩阵,其展开式如下
21、
22、优选地,描述权值及阈值的修正公式为:
23、xk+1=xk+δx
24、式中,δx=-[jt(x)j(x)+μι]-1j(x)e(x),i为单位矩阵。
25、优选地,对于待训练的lm-bp神经网络,需采集多组车轮踏面的凹磨参数,通过等效锥度计算方法,计算对应车轮踏面的等效锥度,并将将多组凹磨参数和等效锥度一一对应,构建样本数据集。
26、优选地,计算对应车轮踏面的等效锥度的具体过程为:
27、获取轮轨廓形及位置参数,对车轮廓形进行平滑和插值处理后确定出轮轨接触点,然后求得一定轮对横移范围内对应的左右车轮滚动圆半径差,最后依据uic519积分法计算得到等效锥度,具体公式为:
28、
29、式中,λe为等效锥度,b为左、右车轮滚动圆横向间距之半,r0为车轮滚动圆半径,l为轮对蛇行运动波长,由左、右车轮滚动半径差随轮对横向量变化的函数计算得到。
30、根据本专利技术的第二个方面,本专利技术提供一种电子设备,包括:
31、一个或多个处理器;存储器;和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如上任一所述基于lm-bp神经网络的等效锥度预测方法的指令。
32、根据本专利技术的第三个方面,本专利技术提供一种计算机可读存储介质,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如上任一所述基于lm-bp神经网络的等效锥度预测方法的指令。
33、与现有技术相比,本专利技术具有以如下有益效果:
34、(1)本专利技术提供的基于lm-bp神经网络的等效锥度预测方法,无需繁琐复杂的计算流程,只需将凹磨参数作为网络模型输入,即可输出等效锥度结果。
35、(2)本专利技术提供的基于lm-bp神经网络的等效锥度预测方法,计算过程操作简单、耗时短、准确率高并且计算成本低。
36、(3)本专利技术提供的基于lm-bp神经网络的等效锥度预测方法,运用lm算法训练bp神经网络模型,具有收敛速度快、准确率高和算法稳定的优点。
37、(4)本专利技术提供的基于lm-bp神经网络的等效锥度预测方法,运用凹磨位置、凹磨深度和凹磨宽度来定义车轮踏面的磨耗状态,实现对踏面廓形数据的参数化表征,简化了踏面廓形与等效锥度之间的映射关系。
本文档来自技高网...【技术保护点】
1.一种基于LM-BP神经网络的等效锥度预测方法,其特征在于,采集车轮踏面的凹磨参数,输入预先构建并训练好的LM-BP神经网络中,得到所述车轮踏面的等效锥度;
2.根据权利要求1所述的一种基于LM-BP神经网络的等效锥度预测方法,其特征在于,所述LM-BP神经网络包括输入层、隐藏层和输出层,其中输入层包括至少三个神经元,分别为凹磨位置W1、凹磨深度W2和凹磨宽度W3,输出层包括至少一个神经元,等效锥度。
3.根据权利要求1所述的一种基于LM-BP神经网络的等效锥度预测方法,其特征在于,通过Levenberg-Marquardt算法训练LM-BP神经网络模型。
4.根据权利要求3所述的一种基于LM-BP神经网络的等效锥度预测方法,其特征在于,所述LM-BP神经网络模型的训练过程具体为:
5.根据权利要求4所述的一种基于LM-BP神经网络的等效锥度预测方法,其特征在于,描述误差指标函数E(xk)的公式为:
6.根据权利要求4所述的一种基于LM-BP神经网络的等效锥度预测方法,其特征在于,描述权值及阈值的修正公式为:
< ...【技术特征摘要】
1.一种基于lm-bp神经网络的等效锥度预测方法,其特征在于,采集车轮踏面的凹磨参数,输入预先构建并训练好的lm-bp神经网络中,得到所述车轮踏面的等效锥度;
2.根据权利要求1所述的一种基于lm-bp神经网络的等效锥度预测方法,其特征在于,所述lm-bp神经网络包括输入层、隐藏层和输出层,其中输入层包括至少三个神经元,分别为凹磨位置w1、凹磨深度w2和凹磨宽度w3,输出层包括至少一个神经元,等效锥度。
3.根据权利要求1所述的一种基于lm-bp神经网络的等效锥度预测方法,其特征在于,通过levenberg-marquardt算法训练lm-bp神经网络模型。
4.根据权利要求3所述的一种基于lm-bp神经网络的等效锥度预测方法,其特征在于,所述lm-bp神经网络模型的训练过程具体为:
5.根据权利要求4所述的一种基于lm-bp神经网络的等效锥度预测方法,其特征在于...
【专利技术属性】
技术研发人员:周劲松,王泽根,宫岛,李晓玉,刘广宇,邓新,
申请(专利权)人:同济大学,
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。