CN104898414A - 一种高速列车动力学性能设计关键参数识别方法 - Google Patents
一种高速列车动力学性能设计关键参数识别方法 Download PDFInfo
- Publication number
- CN104898414A CN104898414A CN201510145441.5A CN201510145441A CN104898414A CN 104898414 A CN104898414 A CN 104898414A CN 201510145441 A CN201510145441 A CN 201510145441A CN 104898414 A CN104898414 A CN 104898414A
- Authority
- CN
- China
- Prior art keywords
- design
- neural network
- high speed
- performance
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 230000035945 sensitivity Effects 0.000 claims abstract description 43
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000011835 investigation Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000005094 computer simulation Methods 0.000 abstract description 4
- 238000013016 damping Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 239000000725 suspension Substances 0.000 description 6
- 239000006096 absorbing agent Substances 0.000 description 5
- 230000035939 shock Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种高速列车动力学性能设计关键参数识别方法，涉及高速列车在动力学仿真设计分析领域，它能有效地利用单输出LM神经网络代理模型，将高速列车整机设计融入到多学科全局仿真设计中。包括以下步骤：首先利用高速列车多刚体动力学物理模型和仿真模型，确定高速列车动力学性能输入输出设计空间，并且利用专家领域知识，提取高速列车动力学性能设计参数和响应指标来缩减设计空间；其次,采用LM算法对神经网络的权值和阈值进行调整，以提高单输出神经网络的收敛速度和收敛精度，按照神经网络中输入参数相对于输出值的灵敏度公式，计算出灵敏度；最后,进行高速列车设计参数的灵敏度分析和关键参数识别。主要用于高速列车动力学分析和设计。
Description
技术领域
本发明属于铁路车辆设计技术领域，特别涉及高速列车在动力学仿真基础上的参数设计分析。
背景技术
高速列车从整体结构上看是一个由机械、控制、电气、通信等组成的，从物理性能上看是由动力学、疲劳强度、声学、空气动力学等多种力学行为决定的复杂机电系统。其中影响系统的平稳性、安全性和舒适性等指标主要还是由机械系统的力学性能决定，重点表现在高速列车的整机性能-高速列车动力学上，而其又由高速列车零部件的结构及性能等参数组成的设计变量集决定。要实现高速列车复杂的设计过程，需要经历高速列车动力学、结构强度、振动模态、噪声、疲劳、碰撞、声学、空气动力学、供热通风等各种CAE数字建模与仿真分析，并相互协同形成庞大的多领域建模与仿真，通过求解庞大的力学数学模型，并寻求合适的优化方法来获得合理的设计参数。尤其当高速列车运行达到300公里/小时以上的速度时，其与运行环境的作用也加强，高速列车的性能由其本身扩展到了运行环境系统，因而需要将高速列车置于运行环境中，从上包括弓网系统，向下包括轮轨及线路条件，向前包括流固耦合系统等，建立一个更为复杂的耦合动力学系统-高速列车系统动力学，使得优化的设计参数更为合理。
高速列车系统的各种领域，包括高速列车耦合系统的建模与仿真方法都有所突破，但所构建的系统相当的复杂，具有高度非线性、计算难度大、计算时间和资源占有量大、不利于在问题空间找到合理的优化解等诸多的难题。仅就高速列车动态性能优化本身，需要通过考虑轮轨接触模型，建立基于多体动力学的微分代数方程组，在此基础上找到设计参数与输出之间的灵敏度关系，然后采用优化求解。即先进行灵敏度分析，研究各个设计参数对目标响应指标的影响程度，再按照一定的规则去掉那些影响程度非常小的设计变量参数，得到简化的小维数变量的优化模型，可以降低求解难度。
在高速列车的研究中，何邕提出了“面向设计的铁道车辆动力学建模与灵敏度分析”,【成都:西南交通大学博士论文,2012】文中将轮轨力用典型的弹簧阻尼力进行描述，通过对弹簧—阻尼力进行基于基元灵敏度分析特征建模，获得轮轨力的灵敏度分析模型，实现了所获模型的数值计算工作。事实上，在工程实际应用中，灵敏度分析非常广泛地用于解决结构优化设计问题，但由于所需求解的方程组量大且复杂，很少用于多体动力学、多学科领域中。这个过程中，需要计算大量的非线性微分运动方程组，而这在数学上的难度是众所周知的。
German在神经网络代理模型上的研究对高速列车动力学性能关键参数的识别开辟了另外一种方法【Computer-aided design sensitivity analysis for dynamic multibody systems[D].Iowa:PhD Thesis,The University of Iowa,2006】，Eberhard对LM算法的研究，又从一定程度上解决了神经网络代理模型的泛化能力和泛化精度【Analysis and Optimization of ComplexMultibody Systems Using Aadvanced Sensitivity Analysis Methods[D].Stuttgart:PhD Thesis ofUniversity of Stuttgart,1997】，使得关键参数识别更加可靠，同时避开了求解大量复杂方程组的过程。很显然，对比建立复杂的多体系统方程，该关键参数识别方法具有效率高、实时性强、成本低的特点。研究的关键内容包括了：高速列车多刚体动力学设计空间的确定和缩减技术；基于单目标神经网络和灵敏度梯度公式计算灵敏度；关键参数识别准则。
发明内容
本发明的目的是提供一种高速列车动力学性能设计的关键参数识别方法，它能有效地利用单目标代理模型，将高速列车整机设计融入到多学科全局仿真设计中，从而在多学科领域条件下，建立高速列车设计参数的灵敏度分析方法，识别出设计中所需要的关键参数，从而提高高速列车动力学性能。
本发明的目的是通过以下技术方案来实现的：
一种高速列车动力学性能设计关键参数识别方法，利用改进单目标LM神经网络代理模型，建立高速列车动力学性能设计参数的灵敏度分析方法，具体过程如下：
首先，利用高速列车多刚体动力学物理模型和仿真模型，确定高速列车动力学性能输入输出设计空间，并且利用专家领域知识，提取高速列车动力学性能设计参数和响应指标来缩减设计空间，以减少神经网络的规模和容量，包括：
1)基于高速列车结构拓扑关系，提取高速列车动力学分析模型所涉及的物理模型部件，并按照各部件在仿真系统中的表达方式，获得仿真分析模型所涉及的抽象形式；
2)根据物理模型部件和仿真抽象形式，确定高速列车动力学性能设计参数输入和输出所涉及的全部设计空间；
3)按照高速列车设计标准提取影响平稳性、安全性和曲线通过能力的七个输出性能指标；
4)针对高速列车动力学性能设计参数输入变量，拟定并发放专家调查表，利用专家领域知识对高速列车动力学性能设计空间进行设计变量和取样空间的缩减；
其次,采用LM算法对单输出神经网络的权值和阈值进行调整，以提高收敛速度和收敛精度，按照神经网络中输入参数相对于输出值的灵敏度公式，计算出灵敏度，包括：
1)采用拉丁超立方取样方法，得到高速列车车辆动力学仿真计算规范化样本；
2)根据高速列车动力学性能设计参数变量的取值范围，将规范化样本转化为实际的设计参数样本；
3)确定计算工况，在仿真软件中建立仿真模型，仿真计算后得到性能参数样本，并转化为规范化数值，得到训练和精度验证样本点，用于构建三层反馈神经网络代理模型；
4)采用基于LM算法的三层反馈神经网络训练样本，得到高速列车的单输出LM神经网络代理模型；
5)检验单输出LM神经网络代理模型的精度是否达到要求，如是，则确定改进的神经网络的结构和规模，建模结束；如否，则调整改进的神经网络结构和规模或者重构样本点，重新训练，反复循环，直至到达到要求为止；
6)利用该改进的单输出LM神经网络代理模型，结合灵敏度计算公式，进行高速列车动力学性能设计参数的灵敏度计算；
最后，进行高速列车动力学性能设计参数的灵敏度分析和关键参数识别，包括：
1)计算相对灵敏度，以便分析灵敏度计算结果；
2)拟定关键参数识别规则，建立关键参数推荐表，对高速列车设计时的关键参数进识别。
所述利用专家领域知识，是采用德尔斐(Delphi)法，拟定高速列车动力学性能设计参数的重要度和取值范围调查表，发送给本领域专家，要求专家们基于自身经验和领域知识，给出表中各个设计变量的取值范围和对性能的重要度。
所述高速列车动力学性能设计参数的重要度取值范围为0～1之间，取值越接近于1，则对系统输出的列车动力学性能指标的影响就越大，提取重要度大于0.5的设计参数作为高速列车动力学性能对应的重要输入变量，缩减变量维数。
所述三层反馈神经网络，是指输入层到隐含层的神经元采用非线性转化，而隐含层到输出层上则应用多线性回归模型。
所述采用LM算法是用来控制单输出神经网络的权值和阈值，以提高神经网络的泛化能力。
所述输入层和输出层的神经元的数目，被分别地设置于高速列车动力学性能设计参数变量数目n和其中一个输出指标参数的变量数1，隐含层的节点数目定义为m，按照以上原则，分别建立七个输出指标对应的n-m-1单输出LM神经网络代理模型。
所述灵敏度计算公式是按照输入参数相对于输出性能指标的影响度的计算公式，得到输入参数相对于输出性能指标的灵敏度数值，并将其转化成相对灵敏度，以对其进一步分析关键参数。
所述关键参数识别规则，是以相对灵敏度绝对值大于65％的前五项为标准。
采用本方法，可以有效地利用高速列车代理模型技术中网络输入参数、输出响应和权值之间的灵敏度分析方法，进行基于高速列车动力学仿真的关键参数识别，解决了涉及多学科领域中的高速列车仿真系统进行列车动力学分析时，因需处理庞大的设计参数而导致设计分析难以顺利进行的问题，这为高速列车和相似复杂机电产品的设计和分析提供了新的设计方法和思路，具有重大的工程指导价值。
本发明与现有技术相比的优点与效果：
一、避开复杂微分方程组的求解
现有研究主要采用建立微分方程组的方式进行灵敏度分析，但是由于设计空间的复杂性，在微分方程组推导和求解的过程中，难度仍然非常得大。代理模型的研究对高速列车关键参数的识别开辟了另外一种方法，这种方法避开了求解大量复杂方程组的过程，具有效率高、实时性强、成本低的特点。
二、本发明立足于对高速列车动力学综合性能的分析
目前应用于高速列车动力学性能分析的代理模型技术，往往限于分析性能的某个方面或者某几个方面的问题，而本发明立足于高速列车整体性能的研究，涉及高速列车运行安全性、平稳性和舒适性几乎全部性能指标。即为了满足这些动力学性能的要求，除了磨耗指标之外，其他的横向平稳性指标、垂向平稳性指标、脱轨系数、轮重减载率、轮轴横向力、倾覆系数和临界速度七项性能都在被研究分析范围内，更能够体现其工程实用价值。
附图说明
图1本发明的流程图
图2本发明所涉及的高速列车车辆系统动力学性能指标对应关系
图3本发明所采用的n-m-1单输出神经网络结构图
实施例
下面结合附图对本发明做进一步描述：
1.高速列车动力学性能设计空间的确定和缩减
按照各个部件之间的结构拓扑关系，仿真模型是由车体、转向架(构架、轴箱及轮对)以及一系、二系悬挂力元组成高速列车动力学分析模型。在仿真过程中，将物理模型部件按照以下规则来表述：车体、构架、轴箱和轮对抽象成多体系统中的体，各个弹簧力采用三向分量力元来表达，减振器的力元采用串联弹簧-阻尼力元来描述，轴箱与轮对之间的旋转采用旋转铰链来约束等，从而得到高速列车动力学分析仿真模型抽象的形式及每节车涉及的个数，见表1。
表1 物理模型部件与仿真系统抽象形式
| 物理系统描述(每节车个数) | 仿真系统描述(个数对应) | 说明 |
| 车体(1) | 车体(体)(1) | 多体系统中的体 |
| 构架(2) | 构架(体)(2) | 多体系统中的体 |
| 轴箱(8) | 轴箱(体)(8) | 多体系统中的体 |
| 轮对(4) | 轮对(体)(4) | 多体系统中的体 |
| 一系轴箱弹簧(8) | 三向分量力元(05号力元)(8) | 多体系统中的力元 |
| 一系垂向减振器(8) | 串联弹簧-阻尼力元(06号力元)(8) | 多体系统中的力元 |
| 一系转臂节点(8) | 一系转臂力元(05号力元)(8) | 多体系统中的力元 |
| 二系空气弹簧(4) | 三向分量力元(05号力元)(4) | 多体系统中的力元 |
| 二系垂向减振器(4) | 串联弹簧-阻尼力元(06号力元)(4) | 多体系统中的力元 |
| 二系横向减振器(4) | 串联弹簧-阻尼力元(06号力元)(4) | 多体系统中的力元 |
| 抗蛇行减振器(4) | 串联弹簧-阻尼力元(06号力元)(4) | 多体系统中的力元 |
| 牵引拉杆弹簧(2) | 三向分量力元(05号力元)(2) | 多体系统中的力元 |
| 横向止挡(4) | 串联弹簧-阻尼力元(06号力元)(4) | 多体系统中的力元 |
| 轴箱与轮对之间的旋转(8) | 旋转铰(8) | 多体系统中的铰 |
| 抗侧滚扭杆(2) | 力元和力矩(2) | 多体系统中的力元和力矩 |
根据高速列车的多刚体动力学模型分析出来的物理和仿真抽象模型(见表1)，可提取出高速列车在仿真建模时的全部输入变量和输出变量。在SIMPACK仿真系统中，提取出的输入变量涉及到：运行速度、仿真时间、积分步长、积分方式、高速列车结构和性能参数等变量，其中高速列车参数包含了车辆基本参数、质量/转动惯量、重心、一系悬挂/二系悬挂/横向止挡/抗侧滚扭杆/结构参数、一系悬挂/二系悬挂/牵引拉杆/抗侧滚扭杆悬挂参数和非线性特性等参数；提取出的输出变量涉及到：平动位移、转动位移、体运动速度、体运动速度、体运动加速度、轮轨接触力、接触斑、轮轴横向力、约束力、力元和连接点位移等参数。这些输入、输出变量构成高速列车的设计空间往往分别达到上百个变量，显然所涉及的变量数庞大，需要进行设计空间的预处理，即缩减设计空间。
在仿真系统中，输出变量特别多，但是却并不能直接用来评定高速列车的运行性能。未考虑磨耗性能的情况下，按照动力学性能：运行安全性、曲线通过能力和平稳舒适性三个方面的要求，在仿真系统的上百个输出参数中，找出性能指标各自对应的仿真输出项，根据《铁道车辆动力学性能评定和试验鉴定规范》(GB5599-85)进行进一步计算和整合可获取七个动力学输出性能指标及其值：横向平稳性指标、垂向平稳性指标、脱轨系数、轮重减载率、轮轴横向力、倾覆系数和临界速度。
根据前面输入设计变量的分析看出涉及到的变量数巨大，采用任何一种模型进行代理时候，都具有高维高非线性的特点，建模时候带来不必要的困难度。为了降低计算成本、缩短计算时间，为此采用德尔斐(Delphi)法，拟定一系列的参数重要度和取值范围调查表，发送给领域专家，按照专家的先验知识来遴选变量，有效地降低输入变量的维数。在全部的调查表中，以高速列车在SIMPACK中建模仿真所需的设计变量为例，对应着各个车型原始参考数据，要求专家们基于自身经验和领域知识，给出各个设计变量的取值范围和对性能的重要度。重要度取值范围为0～1之间，取值越接近于1，则对系统输出的列车动力学性能指标的影响就越大，从而对列车运行时的安全性、平稳性、舒适性和曲线通过能力的影响也就越大。这样基于专家领域的知识，并考虑到失稳情况，提取出重要度大于0.5的设计参数作为高速列车对应的重要输入变量，按照实验进一步确定并缩减取值范围。按此原则，最后获取缩减的输入变量集。
2.构建改进代理模型和计算灵敏度
选取拉丁超立方函数，构建高速列车车辆动力学仿真计算样本设计。为了构筑神经网络代理模型，必须先设计实验方法，获取取样集才能来建立和评估神经网络。因此，仿真计算样本设计的建立以初始选择的重要设计参数和七个性能指标为基础，考虑到高速列车设计空间复杂，为使样本点在空间上分布均匀合理且易调整，采用样本点数量可多可少、灵活性高的拉丁超立方取样策略，得到高速列车车辆动力学仿真计算规范化样本。
按照归一化的设计参数样本，根据设计变量的取值范围，将规范化样本转化为实际参数值，得到实际设计参数样本。
确定计算工况，考虑轨道不平顺、线路的空间几何、非线性环节、轮轨接触在空间上的几何关系等问题，在SIMPACK v8.904软件中建立仿真模型，输入设计变量的实际参数样本，仿真之后，计算出七项输出指标值，得到输出参数样本，再转化为规范化数值，这样最终得到训练和精度验证的归一化设计参数和输出参数的样本点。
采用三层反馈神经网络，每个网络由一个输入层、一个隐含层、以及一个输出层组成。设置从输入层到隐含层的神经元采用非线性转化，而在输出层上应用了多线性回归模型。输入层和输出层的神经元的数目，被分别地设置于设计参数变量数目n和指标参数变量数目1，隐含层的节点数定义为m。该型号列车的平稳性、舒适性、安全性，分别对应了七个性能指标组：横向平稳性、垂向平稳性、脱轨系数、轮重减载率、轮轴横向力、倾覆系数和临界速度。
采用Levenberg-Marguart算法，即LM算法对网络的权值和阈值进行调整，以提高神经网络的泛化能力。该算法的重要之处是在误差平方和公式中加入了调整项，是一种介于高斯牛顿法(Guass-Newton，GN)和梯度法之间的解非线性最小二乘问题的优化方法，不仅仅避开了梯度下降法中开始搜索快但是最后收敛慢和精度低的缺点，加入的调整项处理了GN中雅克比矩阵奇异和假收敛的现象，同时保证权值和阈值的每次调整都使得误差减小，保证了网络的稳定性。对于只有一个输出的神经网络代理模型，由于其结构简单、规模容量相对较小，采用基于LM算法的改进神经网络方法进行构建，其速度和精度都能达到要求。在MATLAB软件中，分别建立与七个输出指标组对应的n-m-1单输出LM神经网络代理模型。
检验单输出LM神经网络代理模型的精度是否达到要求，如是，则确定该改进的神经网络的结构和规模，建模结束；如否，则调整该改进的神经网络结构和规模或者重构样本点，重新训练，反复循环，直至到达到要求再进行后续计算。
根据计算公式可算出灵敏度的值：
其中Sik是输入(变量)Xi(1≤i≤n)在单输出神经元(性能响应指标)Yk(1≤k≤7)的影响度，即灵敏度值，Wij是第i个输入层神经元到第j个(1≤j≤m,m为隐含层神经元个数)隐含层神经元的权值矩阵，wjk是第j个隐含层神经元到第个k输出层神经元的权值矩阵。计算出来的灵敏度绝对值|Sik|越大相关性越强，|Sik|越小相关性越小。负值表示负相关。
3.灵敏度分析和关键参数识别
根据神经网络得到权值矩阵带入式1，计算后得到n个输入变量相对于七个性能输出值的灵敏度值。再按照下式，计算相对灵敏度S′ik：
S'ik＝Sik/Sikmax 2
式中Sikmax——表中最大的灵敏度。
关键参数识别规则如下：以相对灵敏度绝对值大于65％的前五项为标准，建立有效的各个单性能关键参数推荐表，用于对高速列车关键参数进行识别。按照关键参数识别规则给出设计建议以指导高速列车后续设计制造工作：根据推荐表，可以得到整体设计关键参数，大大减少主要设计变量，从对设计空间进行降维；按照此推荐表，可以找出不同的响应指标所涉及到的关键参数，实际设计时候可以按照灵敏度来调节，以达到最优效果，如设计优化中应该根据灵敏度来加大权重值，即灵敏度越大的则权重值越大，再如有些参数对多项指标都有重大影响的，甚至影响程度相反，需要重点考虑。
根据上述的高速列车动力学性能设计的关键参数识别的抽象描述方法，对某高速列车动力学性能设计的关键参数识别方法具体实施如下：
1.设计空间确定和缩减
根据某型车的拓扑结构，提取出其动力学分析模型所涉及的物理模型部件，并按照力元在仿真系统中的表达方式，获得仿真分析模型所涉及的抽象形式，再根据物理模型部件和仿真抽象形式，确定出该型号高速列车的输入和输出所涉及的全部设计空间，按照标准和规定提取影响平稳性、安全性和曲线通过能力的七个输出指标见表2。而针对设计输入变量，拟定发放专家调查表，并基于专家领域知识对高速列车设计空间进行缩减，缩减后的设计变量见表3。
表2 动力学性能指标
表3 CRH某型车输入变量及取值范围
2.构建代理模型和计算灵敏度
拉丁超立方的最少样本数一般应该是变量数的三倍以上，考虑到失稳的现象，在参考CRH某型车的原设计值和领域专家们意见的基础上，缩减了设计变量取值范围(见表3)。最后在取值范围内，确定了相应的取样策略：将每个参数变量分成100个水平，采用拉丁超立方样本设计方法生成高速列车动力学性能设计参数的设计样本，生成29*100个规范化样本参数值，折算成相应的实际设计变量参数值。按照实际设计变量参数值进行计算机仿真后有3组数据失稳，余下97个成功运行的水平，设计参数样本变成29*97组。再在规范化空间中，将每个参数变量分成6个水平，生成29*6个规范化样本参数值。对于97+6组规范值，折算成相应的实际设计变量参数值后构成全部的设计参数样本，其中97个设计参数样本用于建立神经网络代理模型，另外6个作为验证代理模型精度的设计参数样本。
根据高速列车的物理和仿真抽象形式，在SIMPACK v8.904中建立仿真模型。计算工况选取的线路条件为：选取300km/h作为计算速度。线路条件定义：线路的总长度为1.5公里，有直线段、缓和曲线段和圆曲线三种不同的分段。其中直线段分为两段，长度分别为500m和270m；缓和曲线也分成两段，长度都是290m；圆曲线长度为150m，轨道超高取为102.6mm。激励条件：实测的京津轨道谱。踏面形状：LAM。样本数据嵌入仿真模型，可以得到构筑代理模型所需的原始输出响应值，在将这些值进行分析计算处理后，转化成输出响应指标样本，最终得到97+6组输入输出样本点。
神经网络建立了一个网络结构，基于LM算法对神经网络结构进行优化，即对网络的权值和阈值进行调整，以提高网络的收敛速度和泛化精度，实现97组输入输出值的神经网络的训练。该型号列车的舒适平稳性、安全性和曲线通过率，分别对应了七个性能指标组：横向平稳性、垂向平稳性、脱轨系数、轮重减载率、轮轴横向力、倾覆系数和临界速度。在MATLAB软件中，针对七个性能指标分别建立了对应的基于设计空间预处理-LM优化算法的改进神经网络的单输出代理模型。
对于横向平稳性，通过不断地调试，隐含层神经元个数取为12，建立29-12-1的BP神经网络。通过调试，其它的指标：垂向平稳性、脱轨系数、轮重减载率、轮轴横向力、倾覆系数和临界速度都采用29-10-1的BP神经网络，编写代码，经过训练得到相关系数r1,r2……r7结果都比较接近1。
通过计算，97组实验值与代理模型得出的响应值的误差值都比较小。如横向平稳性的最大相对误差为0.18％，垂向平稳性的最大相对误差为0.22％，脱轨系数的最大相对误差为1.50％，轮重减载率的最大相对误差为0.30％，轮轴横向力的最大相对误差为0.11％，倾覆系数的最大相对误差为4.72％，临界速度的最大相对误差为0.32％。
将六组未参加建立代理模型而直接由代理模型得到的各个响应值与SIMPACK建模得到的实验值的比较，横向平稳性最大相对误差为6.09％，垂向平稳性最大相对误差为5.88％，脱轨系数最大相对误差为7.88％，轮重减载率为8.56％，轮轴横向力为9.38％，倾覆系数为9.61％，临界速度为4.27％，可见七个代理模型的误差都是小于10％，同时所有的平均相对误差小于6％，所以精度是足够的。
根据公式1，计算出29个输入变量对七个性能指标的灵敏度。
3.关键参数识别
根据公式2计算出29个输入变量对七个性能指标的相对灵敏度。
以相对灵敏度绝对值大于65％的前五项为标准，建立有效的影响动力学性能指标的关键参数推荐表见表4，其中相关性大的排在前面，满足此条件垂向平稳性的设计参数只有一项，再加入一项便于设计协调，带*为负相关，其它为正相关。
表4 高速列车关键参数推荐表
分析表中的数据，可以识别出关键参数，并指导以后的高速列车的进一步设计制造工作：
整体设计关键参数为有：X9，X10，X11，X12，X14，X15，X18，X20，X21，X23、X24，X25，X26，X27，X28，X29。这些参数分别对应着：车轮直径(滚动圆名义直径)、车轮内侧距、轮对质量、侧滚转动惯量-X、摇头转动惯量-Z、一系圆弹簧纵向刚度(每轴箱)、一系垂向阻尼(每轴箱)、轴箱转臂节点纵向刚度(每轴箱)、轴向转臂节点横向刚度(每轴箱)、空气弹簧纵向刚度(每簧)、空气弹簧横向刚度(每簧)、空气弹簧垂向刚度(每簧)、二系垂向阻尼、二系横向阻尼和抗蛇行减振器节点刚度(每个)。至此，高速列车动力学性能设计变量从29个中识别出来16个关键参数，大大减少了设计空间的维数。
识别出来的16个关键参数中，除了X9、X10是结构设计参数外，其它都是性能设计参数。这说明输入的性能设计参数和结构设计参数对高速列车的平稳性、舒适性和安全性都有影响，但是性能参数对高速列车的影响更广，这与实际经验基本上一致。
按照此推荐表，识别出来了针对不同的响应指标所涉及到的关键参数，实际设计时候可以按照灵敏度来调节关键参数值，以达到最优效果。如设计优化中应该根据灵敏度来加大权重值，即灵敏度越大的，权重值越大。而对于X18，X20，X25和X28，分别对应一系垂向阻尼(每轴箱)、轴箱转臂节点纵向刚度(每轴箱)、空气弹簧横向刚度(每簧)和二系横向阻尼，这些设计参数对响应指标中的两项都有较大影响，优化设计时更要重点考虑。
Claims (8)
1.一种高速列车动力学性能设计关键参数识别方法，利用改进单目标LM神经网络代理模型，建立高速列车动力学性能设计参数的灵敏度分析方法，其特征在于：
首先，利用高速列车多刚体动力学物理模型和仿真模型，确定高速列车动力学性能输入输出设计空间，并且利用专家领域知识，提取高速列车动力学性能设计参数和响应指标来缩减设计空间，以减少神经网络的规模和容量，包括：
1)基于高速列车结构拓扑关系，提取高速列车动力学分析模型所涉及的物理模型部件，并按照各部件在仿真系统中的表达方式，获得仿真分析模型所涉及的抽象形式；
2)根据物理模型部件和仿真抽象形式，确定高速列车动力学性能设计参数输入和输出所涉及的全部设计空间；
3)按照高速列车设计标准提取影响平稳性、安全性和曲线通过能力的七个输出性能指标；
4)针对高速列车动力学性能设计参数输入变量，拟定并发放专家调查表，利用专家领域知识对高速列车动力学性能设计空间进行设计变量和取样空间的缩减；
其次,采用LM算法对单输出神经网络的权值和阈值进行调整，以提高收敛速度和收敛精度，按照神经网络中输入参数相对于输出值的灵敏度公式，计算出灵敏度，包括：
1)采用拉丁超立方取样方法，得到高速列车车辆动力学仿真计算规范化样本；
2)根据高速列车动力学性能设计参数变量的取值范围，将规范化样本转化为实际的设计参数样本；
3)确定计算工况，在仿真软件中建立仿真模型，仿真计算后得到性能参数样本，并转化为规范化数值，得到训练和精度验证样本点，用于构建三层反馈神经网络代理模型；
4)采用基于LM算法的三层反馈神经网络训练样本，得到高速列车的单输出LM神经网络代理模型；
5)检验单输出LM神经网络代理模型的精度是否达到要求，如是，则确定改进的神经网络的结构和规模，建模结束；如否，则调整改进的神经网络结构和规模或者重构样本点，重新训练，反复循环，直至到达到要求为止；
6)利用该改进的单输出LM神经网络代理模型，结合灵敏度计算公式，进行高速列车动力学性能设计参数的灵敏度计算；
最后，进行高速列车动力学性能设计参数的灵敏度分析和关键参数识别，包括：
1)计算相对灵敏度，以便分析灵敏度计算结果；
2)拟定关键参数识别规则，建立关键参数推荐表，对高速列车设计时的关键参数进识别。
2.根据权利要求1所述的一种高速列车动力学性能设计关键参数识别方法，其特征在于：所述利用专家领域知识，是采用德尔斐(Delphi)法，拟定高速列车动力学性能设计参数的重要度和取值范围调查表，发送给本领域专家，要求专家们基于自身经验和领域知识，给出表中各个设计变量的取值范围和对性能的重要度。
3.根据权利要求2所述的一种高速列车动力学性能设计关键参数识别方法，其特征在于：所述高速列车动力学性能设计参数的重要度取值范围为0～1之间，取值越接近于1，则对系统输出的列车动力学性能指标的影响就越大，提取重要度大于0.5的设计参数作为高速列车动力学性能对应的重要输入变量，缩减变量维数。
4.根据权利要求1所述的一种高速列车动力学性能设计关键参数识别方法，其特征在于：所述三层反馈神经网络，是指输入层到隐含层的神经元采用非线性转化，而隐含层到输出层上则应用多线性回归模型。
5.根据权利要求1所述的一种高速列车动力学性能设计关键参数识别方法，其特征在于：所述采用LM算法是用来控制单输出神经网络的权值和阈值，以提高神经网络的泛化能力。
6.根据权利要求1所述的一种高速列车动力学性能设计关键参数识别方法，其特征在于：所述输入层和输出层的神经元的数目，被分别地设置于高速列车动力学性能设计参数变量数目n和其中一个输出指标参数的变量数1，隐含层的节点数目定义为m，按照以上原则，分别建立七个输出指标对应的n-m-1单输出LM神经网络代理模型。
7.根据权利要求1所述的一种高速列车动力学性能设计关键参数识别方法，其特征在于：所述灵敏度计算公式是按照输入参数相对于输出性能指标的影响度的计算公式，得到输入参数相对于输出性能指标的灵敏度数值，并将其转化成相对灵敏度，以对其进一步分析关键参数。
8.根据权利要求1所述的一种高速列车动力学性能设计关键参数识别方法，其特征在于：所述关键参数识别规则，是以相对灵敏度绝对值大于65％的前五项为标准，建立有效的动力学性能关键参数推荐表，得到高速列车关键参数识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510145441.5A CN104898414A (zh) | 2015-03-31 | 2015-03-31 | 一种高速列车动力学性能设计关键参数识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510145441.5A CN104898414A (zh) | 2015-03-31 | 2015-03-31 | 一种高速列车动力学性能设计关键参数识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104898414A true CN104898414A (zh) | 2015-09-09 |
Family
ID=54031133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510145441.5A Pending CN104898414A (zh) | 2015-03-31 | 2015-03-31 | 一种高速列车动力学性能设计关键参数识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104898414A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096108A (zh) * | 2016-06-06 | 2016-11-09 | 武汉理工大学 | 基于代理模型的半挂货车侧风稳定性的优化方法 |
| CN106951657A (zh) * | 2017-03-31 | 2017-07-14 | 西安石油大学 | 一种磨损钢轨打磨目标廓形快速设计方法 |
| CN109145435A (zh) * | 2018-08-16 | 2019-01-04 | 东北大学 | 一种减少车辆安全带集中现象出现概率的方法 |
| CN109918836A (zh) * | 2019-03-25 | 2019-06-21 | 西南交通大学 | 一种转向架悬挂参数优化匹配方法 |
| CN110245424A (zh) * | 2019-06-17 | 2019-09-17 | 中国科学院力学研究所 | 一种适用于高速列车的气动与多体动力学紧耦合方法 |
| CN111913405A (zh) * | 2020-06-23 | 2020-11-10 | 中车工业研究院有限公司 | 多软件联合仿真系统 |
| CN112800613A (zh) * | 2021-02-04 | 2021-05-14 | 西南交通大学 | 一种铁道车辆在线监测算法开发系统 |
| CN113033093A (zh) * | 2021-03-24 | 2021-06-25 | 南京航空航天大学 | 一种基于仿真模型的系统设计参数多目标优化方法 |
| CN113919189A (zh) * | 2021-08-23 | 2022-01-11 | 中汽研汽车检验中心（天津）有限公司 | 一种基于物理轮胎模型的整车路噪分析方法 |
| CN114564878A (zh) * | 2021-12-31 | 2022-05-31 | 哈尔滨工业大学（深圳） | 一种基于图神经网络的结构动力学模型生成方法 |
| CN115056825A (zh) * | 2022-05-17 | 2022-09-16 | 北京理工大学 | 自适应性能的列车加速方法 |
| CN116577997A (zh) * | 2023-07-06 | 2023-08-11 | 西北工业大学 | 一种基于并发学习的全向小车参数辨识方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5673368A (en) * | 1993-11-11 | 1997-09-30 | Siemens Aktiengesellschaft | Method and device for conducting a process in a controlled system with at least one precomputed process parameter determined using a mathematical model having variable model parameters adjusted based on a network response of a neural network |
| CN1586947A (zh) * | 2004-09-09 | 2005-03-02 | 上海交通大学 | 地铁列车主回路综合测试可视化系统 |
| CN102789531A (zh) * | 2012-07-27 | 2012-11-21 | 北京交通大学 | 高速铁路长大桥梁纵连板式无砟轨道无缝线路设计方法 |
| CN102880759A (zh) * | 2012-09-27 | 2013-01-16 | 西南交通大学 | 高速列车大系统耦合动力学仿真平台 |
| CN103630378A (zh) * | 2012-08-20 | 2014-03-12 | 南车青岛四方机车车辆股份有限公司 | 高速列车乘客舒适度检测方法 |
-
2015
- 2015-03-31 CN CN201510145441.5A patent/CN104898414A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5673368A (en) * | 1993-11-11 | 1997-09-30 | Siemens Aktiengesellschaft | Method and device for conducting a process in a controlled system with at least one precomputed process parameter determined using a mathematical model having variable model parameters adjusted based on a network response of a neural network |
| CN1586947A (zh) * | 2004-09-09 | 2005-03-02 | 上海交通大学 | 地铁列车主回路综合测试可视化系统 |
| CN102789531A (zh) * | 2012-07-27 | 2012-11-21 | 北京交通大学 | 高速铁路长大桥梁纵连板式无砟轨道无缝线路设计方法 |
| CN103630378A (zh) * | 2012-08-20 | 2014-03-12 | 南车青岛四方机车车辆股份有限公司 | 高速列车乘客舒适度检测方法 |
| CN102880759A (zh) * | 2012-09-27 | 2013-01-16 | 西南交通大学 | 高速列车大系统耦合动力学仿真平台 |
Non-Patent Citations (1)
| Title |
|---|
| J.ZHANG 等: "Indentification of key designs parameters of high-speed train for optimal design", 《INT J ADV MANUF TECHNOL》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096108A (zh) * | 2016-06-06 | 2016-11-09 | 武汉理工大学 | 基于代理模型的半挂货车侧风稳定性的优化方法 |
| CN106951657A (zh) * | 2017-03-31 | 2017-07-14 | 西安石油大学 | 一种磨损钢轨打磨目标廓形快速设计方法 |
| CN106951657B (zh) * | 2017-03-31 | 2020-07-14 | 西安石油大学 | 一种磨损钢轨打磨目标廓形快速设计方法 |
| CN109145435A (zh) * | 2018-08-16 | 2019-01-04 | 东北大学 | 一种减少车辆安全带集中现象出现概率的方法 |
| CN109145435B (zh) * | 2018-08-16 | 2022-11-29 | 东北大学 | 一种减少车辆安全带集中现象出现概率的方法 |
| CN109918836A (zh) * | 2019-03-25 | 2019-06-21 | 西南交通大学 | 一种转向架悬挂参数优化匹配方法 |
| CN109918836B (zh) * | 2019-03-25 | 2022-05-24 | 西南交通大学 | 一种转向架悬挂参数优化匹配方法 |
| CN110245424A (zh) * | 2019-06-17 | 2019-09-17 | 中国科学院力学研究所 | 一种适用于高速列车的气动与多体动力学紧耦合方法 |
| CN111913405A (zh) * | 2020-06-23 | 2020-11-10 | 中车工业研究院有限公司 | 多软件联合仿真系统 |
| CN112800613B (zh) * | 2021-02-04 | 2022-09-20 | 西南交通大学 | 一种铁道车辆在线监测算法开发系统 |
| CN112800613A (zh) * | 2021-02-04 | 2021-05-14 | 西南交通大学 | 一种铁道车辆在线监测算法开发系统 |
| CN113033093A (zh) * | 2021-03-24 | 2021-06-25 | 南京航空航天大学 | 一种基于仿真模型的系统设计参数多目标优化方法 |
| CN113919189A (zh) * | 2021-08-23 | 2022-01-11 | 中汽研汽车检验中心（天津）有限公司 | 一种基于物理轮胎模型的整车路噪分析方法 |
| CN113919189B (zh) * | 2021-08-23 | 2025-02-18 | 中汽研汽车检验中心（天津）有限公司 | 一种基于物理轮胎模型的整车路噪分析方法 |
| CN114564878A (zh) * | 2021-12-31 | 2022-05-31 | 哈尔滨工业大学（深圳） | 一种基于图神经网络的结构动力学模型生成方法 |
| CN115056825A (zh) * | 2022-05-17 | 2022-09-16 | 北京理工大学 | 自适应性能的列车加速方法 |
| CN115056825B (zh) * | 2022-05-17 | 2024-04-05 | 北京理工大学 | 自适应性能的列车加速方法 |
| CN116577997A (zh) * | 2023-07-06 | 2023-08-11 | 西北工业大学 | 一种基于并发学习的全向小车参数辨识方法 |
| CN116577997B (zh) * | 2023-07-06 | 2023-10-03 | 西北工业大学 | 一种基于并发学习的全向小车参数辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104898414A (zh) | 一种高速列车动力学性能设计关键参数识别方法 | |
| CN104765916A (zh) | 一种高速列车动力学性能参数优化方法 | |
| Mousavi Bideleh et al. | Global sensitivity analysis of bogie dynamics with respect to suspension components | |
| CN109918793B (zh) | 一种转向架悬挂参数快速优化方法 | |
| CN102496064B (zh) | 一种轨道不平顺的获取方法 | |
| CN103246200B (zh) | 一种基于分布式模型的动车组同步跟踪控制方法 | |
| CN116011125B (zh) | 一种不确定车桥耦合系统响应预测的方法 | |
| Li et al. | Multi-objective optimization design of anti-rolling torsion bar based on modified NSGA-III algorithm | |
| Tao et al. | Online prediction model for wheel wear considering track flexibility | |
| Mousavi-Bideleh et al. | Multiobjective optimisation of bogie suspension to boost speed on curves | |
| CN108711016A (zh) | 一种基于bp神经网络的驾驶行为评分方法 | |
| CN104458252A (zh) | 一种高速列车齿轮箱运行状态监测方法 | |
| CN108664673A (zh) | 一种轮轨力载荷辨识特征数据模型建立方法及装置 | |
| CN102567576B (zh) | 一种轮重减载率的预测方法 | |
| CN107103132A (zh) | 基于随机参数‑神经网络的民机机构全局灵敏度分析方法 | |
| CN110084185A (zh) | 一种高速列车小幅蛇行运行特征的快速提取方法 | |
| Xu et al. | Vehicle running attitude prediction model based on Artificial Neural Network-Parallel Connected (ANN-PL) in the single-vehicle collision | |
| CN114879536A (zh) | 基于数字孪生技术获取悬架系统实时特性的方法和装置 | |
| Fan et al. | Wheel wear prediction of high-speed train using NAR and BP neural networks | |
| Zou et al. | Research on optimization design of suspension parameters of railway vehicle bogies based on surrogate model | |
| Qian et al. | The prediction of vibration and noise for the high-speed train based on neural network and boundary element method | |
| Wang et al. | The research of railway passenger flow prediction model based on BP neural network | |
| Xie et al. | Dynamic identification of coupler yaw angle of heavy haul locomotive: An optimal multi-task ELM-based method | |
| Liu et al. | Research on road roughness based on NARX neural network | |
| Zhu et al. | Wheel-rail force inversion via transfer learning-based residual LSTM neural network with temporal pattern attention mechanism |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170124 Address after: 610031 Sichuan City, Chengdu Province, No. two North Ring Road, No. 111 Applicant after: Xi-nan Jiatoong Univ. Applicant after: Chengdu Tianyou hit soft Technology Co. Ltd. Address before: 610031 Sichuan City, Chengdu Province, No. two North Ring Road, No. 111 Applicant before: Xi-nan Jiatoong Univ. |
|
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150909 |
|
| WD01 | Invention patent application deemed withdrawn after publication |