CN102072789B - 一种地面测试铁道车辆轮轨力的连续化处理方法 - Google Patents

Abstract

一种地面测试铁道车辆轮轨力的连续化处理方法，其步骤为：A、通过轨道地面测试，获得轮对经过轨道测试区的轮轨力测试数据和对应的时间数据，去掉小于阈值的数据形成相互分离的波形数据，再取出每个波形数据中的最大值，得到离散的轮轨力数据及其时间数据；B、利用离散的的轮轨力数据及其时间数据，对单隐层的径向基神经网络进行训练，使其达到设定的精度；C、以0.0005-0.001秒的时间为步长，输入时间数据，由神经网络进行仿真计算，得到连续化的轮轨力数据，从而测试出轨道车辆经过轨道测试区的连续轮轨力。该方法可测出连续轮轨力，得知所有位置的轮轨力，能更有效地检测轮对的安全运用状态，更可靠地评价车辆运行的安全性。

Description

一种地面测试铁道车辆轮轨力的连续化处理方法

技术领域

本发明涉及一种铁道车辆轮轨力的测试方法。

背景技术

随着重载铁路和高速铁路的快速发展，轮轨动态相互作用力(简称轮轨力)直接影响着铁道机车车辆运行品质及轮轨磨损，是铁路列车运行安全状态的主要影响因素之一，也是列车运行过程中需要重点监控的性能指标之一。

现有的轮轨力测试方法可分为轨道地面测试和测力轮对测试两种。轨道地面测试是在铁路轨道上设置一段测试区域，将传感器安装在钢轨上，然后通过传感器采集轮对与钢轨间的作用力，这是一种基于钢轨应变来获取轮轨力的方法；而测力轮对测试是将传感器件安装于测力轮对上，利用车轮的应变来获取轮轨力，测试前，需将测力轮对替换列车某个轮对。

测力轮对测试方法能够获得连续的轮轨力，但仅能获得装有测力轮对装置的车辆的轮轨力。如果要测试整辆列车运行过程中所有轮对的轮轨力，就必须在整辆列车所有的轮对安装传感器。这样将增加昂贵的测试成本，且更换轮对时需严格确保工艺，否则将给列车带来安全隐患。因此，测力轮对测试法很难实现某一区段的任意车辆、任意轮对下的轮轨力测试与获取，从而无法对任意车辆的任意车轮进行安全状态(如扁疤与擦伤)检测。

轨道地面测试，可以检测通过该测试区段各测点任意车辆、任意轮对下的轮轨力，并将检测数据传输到安全分析中心，对车辆运行安全性能实时监控。但是在轨道测试中，传感器的布置点是固定的、有限的，轮对转一图时通常只能测出离散的4-15个固定点的轮轨力值，而无法获取轮对经过其它位置(或时间点)时的轮轨力。这样就导致测出的轮轨力具有离散特征，不是连续变化的。由于某些位置(或时间点)的轮轨力未知，在评价车辆运行安全性方面，该方法得到的轮轨力信息具有非常明显的局限性，从而无法精确检测轮对的安全运用状态。

发明内容

本发明的目的就是提供一种地面测试铁道车辆轮轨力的连续化处理方法，该方法通过对轨道地面测试处理可得出轨道车辆的连续轮轨力，从而得知轮对在所有位置(或时间点)的轮轨力，能更有效地检测轮对的安全运用状态，更可靠地评价车辆运行的安全性。

本发明实现其发明目的所采用的技术方案是，一种地面测试铁道车辆轮轨力的连续化处理方法，其步骤为：

A、通过轨道地面测试，获得轮对经过轨道测试区的轮轨力测试数据和对应的时间数据，去掉小于阈值的数据形成相互分离的波形数据，再取出每个波形数据中的最大值，得到离散的轮轨力数据及其对应的时间数据；

B、利用离散的轮轨力数据及其对应的时间数据，对单隐层的径向基神经网络进行训练，使其达到预先设定的精度，完成神经网络的训练；

C、以0.0005-0.001秒的时间为步长，输入时间数据，由完成训练的神经网络进行仿真计算，得到连续化的轮轨力数据，从而测试出轨道车辆经过轨道测试区的连续轮轨力。

与现有技术相比，本发明的有益效果是：

1、轨道地面测试输出的轮轨力测试数据为轨道上定点安装的传感器采集的该点轨道的应变，因此，其输出的测试数据既包括轮对通过该点时的轮轨力，也包括轮对通过该点附近区域与较远处时在该点产生的应变力，本发明通过去除小于阈值的数据形成相互分离的波形数据即去除轮对在较远处时在该点产生的应变力，而保留了轮对通过该点及其附近时产生的应变力；然后取出每个波形数据中的最大值，即得到离散的轮轨力也即轮对经过传感器安装点的轮轨作用力。再通过神经网络方法计算出各个时刻的轮轨作用力，即可得出轮对通过轨道测试区各个位置点的轮轨作用力。而无需改变传感器的贴片位置、增加贴片数量、采用复杂的激励电压等，简单有效的实现了连续轮轨力的测试，其实现成本低，操作简单，易于推广、应用。

2、在轮轨力连续化过程中，并不是盲目的采用插值拟合，而是采用非线性映射能力与状态描述能力强的单隐层的径向基神经网络算法，很好的考虑到了轮轨力的非平稳性，使其输出结果更精确、可靠。

综上所述，利用本发明方法能够将轨道地面测试获得的轮轨力测试数据转换成精确、可靠的连续轮轨力，即获得轮对在测试区域所有位置(或时间点)的轮轨力，能更有效地检测轮对的安全运用状态，更可靠地评价车辆运行的安全性。

上述步骤B中，对单隐层的径向基神经网络进行训练的方法为正交最小二乘学习算法，设定的精度为0.005-0.03。

正交最小二乘学习算法运算收敛速度快，0.005-0.03的精度既能满足误差要求，也使本发明的运算复杂度低，速度快。

附图说明

图1是在轨道地面测试中获得的一段轮轨力原始测试数据。

图2是图1的轮轨力原始测试数据采用本发明实施例的A步操作处理后得到的离散的轮轨力数据，选择的时间区域为0.655s-0.755s，时间零点对应轮对刚进入测试区域的时刻。

图3是利用图2的数据对神经网络进行训练完成之后的精度对比，图中的“◇”号为离散的轮轨力数据，“+”号为通过神经网络输出的相应的轮轨力仿真数据。

图4是图1数据采用本发明实施例方法处理后得到的连续轮轨力值。

具体实施方式

下面结合实例对本发明做进一步的详细说明。

1、一种地面测试铁道车辆轮轨力的连续化处理方法，其步骤为：

A、通过轨道地面测试，获得轮对经过轨道测试区的轮轨力测试数据和对应的时间数据，去掉小于阈值的数据形成相互分离的波形数据，再取出每个波形的数据中的最大值，得到离散的轮轨力数据及其时间数据。

本发明在实施时，阈值只要满足大于轨道地面测试时轮轨力测试数据中的噪声的最大值且小于轮轨力的最小值的条件即可，通常的取值为0.9-2吨。

某一个轮对经过轨道地面测区时的轮轨力测试数据作为原始数据，如图1；通过A步处理后得到的离散轮轨力数据如图2。图2中选择的时间区域为0.655s-0.755s，时间零点对应轮对刚进入测试区域的时刻。

B、利用离散的轮轨力数据及其时间数据，对单隐层的径向基神经网络进行训练，使其达到预先设定的精度，完成神经网络的训练。

本例中，对单隐层的径向基神经网络进行训练的方法为正交最小二乘学习算法。

径向基神经网络的算法为现有技术，其具体的构成为：输入层，一层隐层和输出层。输入信号为时间，输出信号为对应的轮轨力；隐层的神经元数目在训练过程确定，随着训练的次数的增加而增加。隐层神经元中，传递函数采用高斯函数。

本例中，输出与输入的具体函数关系为：

$y=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j{\mathrm{\φ}}_j\left(X\right)+b_j$

式中，X＝(x₁，x₂，……，x_n)^T∈Rⁿ为输入的时间信号；y为输出层的轮轨力输出值，m为径向基函数中心的个数；w_j为第j个隐层神经元到输出层的权值；b_j为网络阈值；φ_j为第j个隐层节点的传递函数。

本例中，对神经网络进行训练时，设定的精度为0.01。

利用图2的离散的轮轨力数据，采用以上方法对神经网络进行训练完成之后的精度对比的结果如图3。图中的“◇”号为离散的轮轨力数据，“+”号为通过神经网络输出的仿真数据。从图中可看出测试数据与神经网络的输出数据几乎重叠，误差很小。

C、以0.0005-0.001秒的时间为步长，输入时间数据，由完成训练的神经网络进行仿真计算，得到连续化的轮轨力数据，从而测试出轨道车辆经过轨道测试区的连续轮轨力。

本例中采用0.001秒的步长进行计算，处理后得到的轨道车辆经过轨道测试区的连续轮轨力如图4。图4反映了轮对在0-0.25秒时间段的所有时间点(或位置点)的连续轮轨作用力。

Claims (2)

1.一种地面测试铁道车辆轮轨力的连续化处理方法，其步骤为：

A、通过轨道地面测试，获得轮对经过轨道测试区的轮轨力测试数据和对应的时间数据，去掉小于阈值的数据形成相互分离的波形数据，再取出每个波形数据中的最大值，得到离散的轮轨力数据及其对应的时间数据，所述的阈值大于轨道地面测试轮轨力测试数据中的噪声的最大值且小于轮轨力的最小值；

B、利用离散的轮轨力数据及其对应的时间数据，对单隐层的径向基神经网络进行训练，使其达到预先设定的精度，完成神经网络的训练；

C、以0.0005-0.001秒的时间为步长，输入时间数据，由完成训练的神经网络进行仿真计算，得到连续化的轮轨力数据，从而获得轨道车辆经过轨道测试区的连续轮轨力。

2.根据权利要求1所述的一种地面测试铁道车辆轮轨力的连续化处理方法，其特征在于，所述步骤B中，对单隐层的径向基神经网络进行训练的方法为正交最小二乘学习算法，设定的精度为0.005-0.03。

Images