论文部分内容阅读
高速列车在运行时出现横向蛇行失稳将会严重影响到列车的安全运行。而现有文献主要采用特征提取与特征识别方法,这些方法在特征提取过程需要较长的计算时间,且特征提取方法固定,泛化能力不强,难以适应高速列车复杂的运行状态。此外,现有监测方法主要是对正常状态和蛇行失稳状态的监测,鲜有对小幅蛇行的演变规律研究。而高速列车从正常到蛇行失稳的过程中,需要经过小幅的过渡阶段。小幅过渡阶段有两种演变情况;一为从小幅蛇行到蛇行失稳,即小幅蛇行发散。另一种为从小幅蛇行到正常状态,即小幅蛇行收敛。因此研究小幅蛇行的变化趋势,对于蛇行失稳的预测有重要的意义。高速列车结构复杂,属于非线性系统,且运行环境多变,从而导致其转向架上构架横向加速度信号具有一定的随机性,使用传统的点预测误差较大,且难以给出预测的置信度。因此本文采用区间估计的方法预测小幅蛇行的演变趋势。上下限估计(Lower Upper Bond Estimation,LUBE)方法为近年来常用区间估计方法,然而由于其采用启发式算法,导致模型参数较多时难以优化,因此改进其优化算法,对LUBE性能的提升有重要的意义。为解决以上问题,本文以高速列车为研究对象,对小幅蛇行状态的演变规律进行研究,主要的研究内容如下:(1)现有的监测方法主要监测高速列车正常和蛇行失稳的两种状态,而忽略小幅蛇行状态的变化这一种中间过程。因此本文研究小幅蛇行的变化规律,从而能够在列车处于小幅蛇行状态时就能够判断其是否会发生蛇行失稳,其监测速度更快。(2)高速列车转向架加速度信号具有一定随机性,使用点预测方法误差较大,难以量化信号的随机性。因此本文将区间估计应用于小幅蛇行的趋势预测,通过给出小幅蛇行的预测区间进而判断列车是否将会发生蛇行失稳。相对于传统的特征识别方法,该方法能够在列车处于小幅蛇行状态时就能够判断其是否会发生蛇行失稳,并且能够给出预测的置信度,因此其效率更高,且稳定性更好。(3)本文采用上下限区间估计方法预测小幅蛇行变化趋势,该方法基于神经网络结构,具有结构简单、泛化能力强的特点,因此在时间序列预测中得到广泛应用。然而,由于LUBE模型参数较多时,启发式算法难以优化模型参数,本文提出一种两级优化区间估计(Tow Level Trained LUBE,TL-LUBE)方法,改进LUBE模型的优化方式,将其分出初级模型和次级模型训练,从而提高参数的优化效率,使得模型加快收敛。并在公共数据中验证改算法的性能,结果表明;在公共数据中,其区间覆盖率为88.5%,平均区间宽度为0.138。在高速列车加速度数据集中,区间覆盖率为100%,平均区间宽度为0.187,其生成区间的质量优于另外两种比较方法,验证了TL-LUBE方法的有效性。(4)为了进一步实现TL-LUBE的实际应用,本文开发一款高速列车蛇行监测的界面,并进一步测试算法性能。测试结果表明,该界面实现了列车实现的监测功能,同时进一步验证了TL-LUBE具有应用于高速列车蛇行监测的实际意义。