基于軸箱振動(dòng)的軌道不平順估計(jì)方法研究.pdf

1、軌道不平順的檢測(cè)對(duì)于軌道平順狀態(tài)的控制以及行車安全的保障具有十分重要的意義。鐵路交通運(yùn)輸不斷向著高速、重載和高密度方向發(fā)展，促使輪軌間動(dòng)力作用顯著提高，軌道狀態(tài)的變化周期縮短，并且導(dǎo)致車輛軌道振動(dòng)加劇，車輛乘坐舒適度降低，從而對(duì)軌道不平順的監(jiān)測(cè)與管控提出了更高的要求。目前的軌道不平順檢測(cè)技術(shù)具有經(jīng)濟(jì)成本高、系統(tǒng)構(gòu)成復(fù)雜、必須占用運(yùn)營(yíng)時(shí)段以及運(yùn)用效率低等缺點(diǎn)。因此，迫切需要研究開發(fā)一種低成本、簡(jiǎn)捷高效的軌道檢測(cè)技術(shù)以適應(yīng)軌道交通整體發(fā)展的

2、趨勢(shì)。
　　本文提出的軌道不平順估計(jì)研究課題是以動(dòng)力學(xué)反問題為理論背景，綜合運(yùn)用信號(hào)處理、系統(tǒng)辨識(shí)與激勵(lì)辨識(shí)、車輛動(dòng)力學(xué)及車載測(cè)試技術(shù)相關(guān)理論展開研究，以軸箱振動(dòng)加速度信號(hào)為研究對(duì)象，著重從車輪失圓致軸箱振動(dòng)分量提取與分離、頻域軌道譜的識(shí)別和時(shí)域軌道不平順估計(jì)三個(gè)方向進(jìn)行了深入研究。
　　本文開展的主要研究工作和得出的結(jié)論如下:
　　(1)總結(jié)了國(guó)內(nèi)外車載監(jiān)測(cè)技術(shù)在軌道不平順估計(jì)中的運(yùn)用和發(fā)展現(xiàn)狀，指出由系統(tǒng)辨識(shí)和載荷

3、（激勵(lì)）識(shí)別構(gòu)成的動(dòng)力學(xué)反問題是軌道不平順估計(jì)的理論基礎(chǔ)，分析了軸箱振動(dòng)信號(hào)與軌道不平順的相關(guān)性，并且建立了車輛軌道動(dòng)力學(xué)模型。
　　(2)指出了運(yùn)營(yíng)車輛車輪失圓存在的客觀性，針對(duì)車輪失圓對(duì)軸箱振動(dòng)的影響問題，提出了基于信號(hào)原子分解理論和改進(jìn)匹配追蹤算法的干擾信號(hào)提取與分離技術(shù)。首先，對(duì)車輪失圓進(jìn)行了分類并簡(jiǎn)要闡述了其產(chǎn)生機(jī)理，建立了車輪失圓的數(shù)學(xué)模型;其次，介紹了信號(hào)原子分解相關(guān)理論，包括信號(hào)的稀疏表示、字典定義及典型原子構(gòu)造等

4、，研究了匹配追蹤算法及其與智能算法結(jié)合的方式。目前的軌道檢車技術(shù)原理中均假設(shè)車輪踏面處于理想的圓順狀態(tài)，但是實(shí)際中運(yùn)營(yíng)車輛甚至軌道檢測(cè)車的檢測(cè)輪踏面均存在各種不圓順缺陷。車輪失圓是最常見的車輪踏面缺陷，車輪扁疤和車輪多邊形是最具代表性的失圓形式，車輛動(dòng)力學(xué)仿真計(jì)算結(jié)果表明車輪扁疤引起的振動(dòng)信號(hào)具有周期脈沖衰減特征，而車輪多邊形引起的軸箱振動(dòng)具有正弦波特征，將信號(hào)原子分解理論引入車輪失圓信號(hào)的提取和分離中，構(gòu)造出了統(tǒng)一的沖擊衰減原子，利用

5、匹配追蹤算法逐一搜尋信號(hào)中存在的沖擊衰減原子或諧波分量，結(jié)合原子參數(shù)、輪徑和車速能有效地判斷故障提取的分量是否來由車輪失圓激發(fā)。為了提高原子全局參數(shù)尋優(yōu)的計(jì)算效率，提出了基于粒子群優(yōu)化算法的改進(jìn)匹配追蹤方法，將搜尋提取到的原子按時(shí)序疊加在一起，通過Wigner-Ville分布得到原子疊加的時(shí)頻分布圖，從圖中可以清晰地看出車輪擦傷的存在。結(jié)果表明，該方法能有效地提取與分離車輪踏面擦傷引入的沖擊信號(hào)，去除周期沖擊信號(hào)后的信號(hào)能最大程度地表征

6、軌道狀態(tài)，為下一步應(yīng)用提供平穩(wěn)數(shù)據(jù)。
　　(3)提出了基于逆虛擬激勵(lì)法的軌道譜識(shí)別方法。軌道譜即軌道不平順功率譜，是軌道不平順在頻域（空間域）的表現(xiàn)形式。軌道譜可以從波長(zhǎng)和幅值兩方面反映軌道的整體平順狀態(tài)，在軌道的養(yǎng)護(hù)中具有廣闊的應(yīng)用前景，傳統(tǒng)的軌道譜獲取方法依賴于軌道檢測(cè)車檢測(cè)數(shù)據(jù)，限制了其應(yīng)用。論文將隨機(jī)振動(dòng)逆虛擬激勵(lì)法應(yīng)用于軌道譜的識(shí)別，結(jié)果表明，該方法極大地提高了計(jì)算效率，識(shí)別精度較高，使得軌道譜易于獲取，為其進(jìn)一步的推廣

7、應(yīng)用奠定基礎(chǔ)。
　　(4)提出了基于NARX神經(jīng)網(wǎng)絡(luò)的時(shí)域軌道不平順估計(jì)方法。軌道不平順激勵(lì)通過輪軌接觸產(chǎn)生車輛振動(dòng)響應(yīng)，實(shí)際的輪軌接系統(tǒng)具有非線性特征。為了利用車輛響應(yīng)信號(hào)估計(jì)軌道不平順，首先需要利用系統(tǒng)辨識(shí)算法建立車輛響應(yīng)到軌道不平順的逆向系統(tǒng)模型。傳統(tǒng)的線性參數(shù)模型ARX等不能很好的反映相同的非線性本質(zhì)，對(duì)系統(tǒng)的辨識(shí)能力較差，導(dǎo)致激勵(lì)辨識(shí)出現(xiàn)較大的誤差。因此，本文提出了基于NARX神經(jīng)網(wǎng)絡(luò)模型的軌道不平順時(shí)域估計(jì)方法。NAR

8、X模型是在線性ARX模型上的擴(kuò)展，NARX神經(jīng)網(wǎng)絡(luò)具有多步輸入輸出延遲，能很好地反映系統(tǒng)的動(dòng)態(tài)特性。輸入輸出階數(shù)作為NARX神經(jīng)網(wǎng)絡(luò)重要的模型參數(shù)，目前仍然沒有標(biāo)準(zhǔn)的確定準(zhǔn)則，本文提出了基于遺傳尋優(yōu)的NARX神經(jīng)網(wǎng)絡(luò)算法，以相對(duì)平均誤差為目標(biāo)函數(shù)，以此確定最優(yōu)的輸入輸出階數(shù)組合。為了更好地接近實(shí)際，利用多體動(dòng)力學(xué)軟件ADAMS/rail進(jìn)行仿真計(jì)算，獲取軌道不平順輸入及軸箱振動(dòng)信號(hào)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果表明遺傳算法優(yōu)化的NARX神經(jīng)