【摘 要】
：
针对列车高速行驶时弓网系统接触力波动剧烈影响受流质量的问题,充分利用长短时记忆网络对时序预测的优势,提出了弓网接触力长短时记忆网络预测的受电弓主动控制方法.首先以
【机 构】
：
重庆交通大学交通工程应用机器人重庆市工程实验室 重庆 400074;重庆广播电视大学 重庆 400052
论文部分内容阅读
针对列车高速行驶时弓网系统接触力波动剧烈影响受流质量的问题,充分利用长短时记忆网络对时序预测的优势,提出了弓网接触力长短时记忆网络预测的受电弓主动控制方法.首先以二元受电弓模型作为研究对象,建立其动力学方程,并对其模型进行仿真得到接触力波动数据.然后,将仿真得到的接触力数据作为训练样本输入长短时记忆网络中建立预测模型,以预测下一时刻接触力.最后,以接触力预测值和期望值的差值作为目标控制力输出至磁流变阻尼器,由磁流变阻尼器提供控制力作用到受电弓,从而抑制接触力的动态波动以提高提高列车受流质量.通过实验证明,所提方法对弓网接触力控制更加准确,且大幅降低弓网接触力波动标准差,降幅超过70.13％,且规避了弓网系统离线情况的发生,验证了所提方法在改善弓网受流质量上的稳定性和优越性.
其他文献
单张图像去雨由于有限的输入信息,会严重影响去雨效果。光场图像不同于普通2D图像,能够记录三维场景的丰富结构信息。针对此类问题并且利用光场图像特点,提出一种基于双LSTM神经网络的光场图像去雨算法。提出的神经网络包括雨条纹检测网络(Rain Streaks Detecting Network,RSDNet)和背景修复网络(Background Restoring Network,BRNet)。所提算
针对多应力条件下电能计量设备测量误差难以预测的问题,提出一种基于核支持向量回归(KSVR)的电能计量设备测量误差预测方法,并提出一种优化遗传算法(OGA)对核参数进行优化。首先,提出一种线性加权多核函数融合多个应力特征,利用核权值系数刻画不同应力对电能计量设备的影响。然后,在核函数参数选择阶段,为了避免对参数人工调整的局限性,提出一种交叉概率与变异概率自适应调整的优化遗传算法,并将其应用到核参数优
边界识别是位场数据解释中一项重要任务,可用于资源探测等领域,是目前研究的热点问题之一。对于深部异常体目标,采用传统的边界识别方法易出现模糊、发散、变形等问题,而改进的方法大多采用高阶导数,虽然能够很好地识别出深部异常体边界,但是计算复杂,易受噪声干扰。为了改善以上问题,提出了一种稳定的快速边界识别方法,仅利用符号函数和重磁垂直导数数据,即可均衡识别不同深度的目标,且避免了高阶导数的计算。通过理论模型的实验与对比,验证了方法的便捷性、有效性、抗斜磁化能力以及抗噪能力。同时,应用实测数据验证了方法在复杂重磁环
自发性脑干出血发病率约为原发性脑出血的10%，但其病死率和致残率远高于其他疾病。脑干解剖特点及密集的功能核团与脑干出血手术极高的操作难度有着密不可分的关系。原发性脑干出血的手术治疗方式主要分为开颅血肿清除、血肿穿刺抽吸两类。目前对于脑干手术治疗的适应证尚未形成共识，缺乏大型多中心临床观察结果和循证医学证据的支持。现有的治疗方式均未在脑干出血治疗上取得突破性进展，医师在临床工作中常由于缺乏依据而困惑
脊髓损伤在临床上具有较高致残率，依据不同的损伤节段和严重程度可将其分为完全性脊髓损伤和不完全性脊髓损伤。治疗的主要目的是保护神经，目前急性脊髓损伤主要采用外科减压手术、神经营养、激素治疗、低温治疗以及康复干预等临床综合治疗。近年来内、外源性神经干细胞研究领域有所突破，干细胞移植的基础研究已取得重要进展。从长远来看，神经再生与神经调制措施可能是修复脊髓损伤最有前景的疗法。
基于单自由度体系推导的统计矩理论,针对无模型方法识别结构损伤距离实际应用差距较大等问题,结合融入广义模式搜索算法,提出一种以融合位移四阶矩和加速度八阶矩为指标的全新框架结构两步层递式快速损伤检测方法。所提广义搜索模式算法结合无模型快速损伤定位理论形成的全新损伤诊断方法,利用融合位移四阶矩和加速度八阶矩作为指标,对12层框架结构数值模型有无噪声工况进行数值模拟,与标准结果偏差均在3%以内,证明了该方法的精确性及抗噪性效果。并与相同指标下的统计矩二范数优化方法和类贝叶斯思想方法进行对比,验证了该新方法相较其他
针对传统的异常事件检测方法中手工提取的浅层特征无法统一表达不同场景的表观和运动信息问题,提出了一种基于卷积变分自编码器(ConVAE)的异常事件检测方法.首先构建了一个卷
基于绩效的保障作为一种新的保障策略,现已被广泛地应用在航空、国防和能源等领域.本文针对具有两阶段退化过程的单部件系统,在功能检测模型的基础上,将供应商的收益与可用度
为了实现车辆制动模拟试验中附着系数的准确模拟和实时可调,设计了一种汽车制动模拟试验台,通过控制磁粉离合器励磁电流,实时模拟不同路面附着系数;搭建了基于路面识别的单轮
为实时监测复杂工业过程的故障状态,精确预测故障趋势,提出基于降噪自编码和时间卷积网络的故障预测方法。首先,利用随机森林算法筛选故障相关特征。之后,利用堆栈降噪自编码网络提取非线性特征以及特征重构,并根据重构误差构造平方预测误差(SPE)统计量作为故障状态特征。最后,针对时间卷积网络残差模块中的ReLU激活函数在负区间内导数为零导致部分神经元无法被激活的问题,设计基于自门控激活函数(Swish)和滤波器响应(FRN)规范化的时间卷积网络(SFTCN)。将得到的SPE组成时间序列,利用SFTCN的预测模型实现