CN102507221A

CN102507221A - 列车车体舒适度的预测方法

Info

Publication number: CN102507221A
Application number: CN2011103078555A
Authority: CN
Inventors: 秦勇; 程晓卿; 周慧娟; 贾利民; 薛玉; 刘松; 范会川; 卫纬; 庞学苗; 刑宗义
Original assignee: Beijing Jiaotong University
Current assignee: Beijing Jiaotong University
Priority date: 2011-10-12
Filing date: 2011-10-12
Publication date: 2012-06-20

Abstract

本发明公开了铁路安全运行控制技术领域中的一种列车车体舒适度的预测方法。包括利用不同评价标准计算车体舒适度值并进行归一化处理；建立基于递阶遗传算法的BP神经网络；任取两组利用不同评价标准计算并归一化处理后的车体舒适度值，分别作为输入数据和输出数据；在输入数据和输出数据中选择训练样本和测试样本；训练所述基于递阶遗传算法的BP神经网络；利用训练后的基于递阶遗传算法的BP神经网络，预测车体舒适度值并进行反归一化处理；当训练后的基于递阶遗传算法的BP神经网络满足精度要求时，输出预测并反归一化后的车体舒适度值。本发明在不同评价标准计算的车体舒适度值之间建立了相关性，实现了车体舒适度值的准确预测。

Description

列车车体舒适度的预测方法

技术领域

本发明属于铁路安全运行控制技术领域，尤其涉及一种列车车体舒适度的预测方法。

背景技术

随着中国铁路交通的迅猛发展，中国铁路逐渐跨入以“高速客运、重载货运”为特征的新时代。传统的运输系统面临许多难题：行车速度越高，舒适性问题愈显突出，车辆在高速运行过程中产生各种振动，影响旅客乘坐的舒适性和装运货物的完整。因此，对列车进行舒适度检测和评价是非常必要的。国外对舒适度的研究主要是针对振动舒适度。主要有国际标准化组织(ISO)的ISO2631标准、德国的Sperling标准、英国的BS6841标准、欧盟的ENV12299标准和国际铁路联盟的UIC513标准。这些评价标准包括了旅客在各种乘坐姿势下对列车的各项运行标准的要求，并且这些标准非常全面，包括对列车的垂向振动、纵向振动、横向振动的频率加权曲线等各方面都有严格的要求。在国内，我国还没有完整的列车乘坐舒适度标准。我国目前与之有关的标准是GB5599-85和TB/T2360-93标准，这两个标准主要是针对列车的平稳性制定的，而不是针对以人为主体的舒适度制定的。我国在列车乘坐舒适度的检测标准上，基本是参考国外标准。

由于世界各国所采用的舒适度评价标准不统一，而用不同评价标准计算出的舒适度值不同。这样就存在一个问题，依据某一个或者某几个标准计算出的原始舒适度值缺失的情况下，如何准确预测出车体的未来的舒适度。如果能够建立不同评价标准间的相关性，那么在依据某一个或者某几个标准计算出的原始舒适度值缺失的情况下，可以使用其他标准计算出的原始舒适度值预测舒适度值。因此，研究不同舒适度标准间的相关性是非常有意义的，可以方便的实现舒适度值的相互转化。韩国的Kim等人提出用最小二乘法建立不同舒适度标准之间的函数关系，但是该方法的精度不高。

发明内容

本发明的目的是，针对计算车体舒适度值的不同评价标准之间缺乏相关性导致的原始舒适度值缺失时，无法预测车体舒适度的问题，提出一种列车车体舒适度的预测方法。

为了实现上述目的，本发明采用的技术方案是，一种列车车体舒适度的预测方法，其特征是所述方法包括：

步骤1：采集车体振动数据；

步骤2：根据车体振动数据，分别利用不同评价标准计算车体舒适度值；

步骤3：对不同评价标准计算的车体舒适度值进行归一化处理；

步骤4：建立基于递阶遗传算法的BP神经网络；

步骤5：任取两组利用不同评价标准计算并归一化处理后的车体舒适度值，分别作为基于递阶遗传算法的BP神经网络的输入数据和输出数据；

步骤6：分别在输入数据和输出数据中选择训练样本和测试样本；

步骤7：训练所述基于递阶遗传算法的BP神经网络；

步骤8：利用训练后的基于递阶遗传算法的BP神经网络，预测车体舒适度值并进行反归一化处理；

步骤9：当训练后的基于递阶遗传算法的BP神经网络满足精度要求时，输出预测并反归一化后的车体舒适度值。

所述车体振动数据包括车体的横向加速度、纵向加速度和垂向加速度。

所述分别利用不同评价标准计算车体舒适度值具体是分别利用国际标准化组织的ISO2631评价标准、德国的Sperling评价标准、英国的BS6841评价标准、欧盟的ENV12299评价标准和国际铁路联盟的UIC513评价标准计算车体舒适度值。

所述对不同评价标准计算的车体舒适度值进行归一化处理具体利用公式

其中，x_i为i时刻车体舒适度值，x_min为所有时刻的车体舒适度值的最小值，x_max为所有时刻的车体舒适度值的最大值。

所述基于递阶遗传算法的BP神经网络的输入层节点数为1，最大隐单元个数为30，输出层节点数目为1；其遗传算法的参数设置为：初始种群数为25，进化代数为25，隐节点重叠系数为0.6，精确度误差系数和复杂度误差系数均为1，控制基因和参数基因交叉概率均为0.77，控制基因和参数基因变异概率为0.05。

所述训练后的基于递阶遗传算法的BP神经网络满足精度要求具体是，当公式

的计算结果小于设定阈值时，训练后的基于递阶遗传算法的BP神经网络满足精度要求；其中，y为测试样本中的目标值，y_m为预测并反归一化后的车体舒适度值，N为测试样本数目。

本发明通过基于递阶遗传算法的BP神经网络，建立不同评价标准计算的车体舒适度值之间的相关性，在依据某一个标准计算出的原始舒适度值缺失的情况下，实现了车体舒适度值的准确预测。

附图说明

图1是列车车体舒适度的预测方法流程图；

图2是传感器安装位置图；

图3是基于递阶遗传算法的BP神经网络结构图；

图4是BP神经网络输出值与车体舒适度实际值的比较图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是列车车体舒适度的预测方法流程图。图1中，本发明提供的列车车体舒适度的预测方法包括：

步骤1：采集车体振动数据。

采集车体振动数据是在车体101地板上安装加速度传感器103，加速度传感器103安装在距心盘102一侧1000mm的车体地板面上，如图2所示。加速度传感器型号为LC07O7A，这是一种内装集成电路放大器的应变加速度传感器，与传统模式应变加速度传感器相比具有低漂移、低噪声、抗干扰、性价比高、抗过载能力强等优点，能准确测量车体振动加速度，为舒适度值的计算提供可靠的数据。通过该加速度传感器能够测量车体的横向加速度、纵向加速度和垂向加速度。

步骤2：根据车体振动数据，分别利用不同评价标准计算车体舒适度值。

通过步骤1测量的车体的横向加速度、纵向加速度和垂向加速度是模拟信号，将上述模拟信号输入A/D转化模块，获得数字信号。然后将数字信号输入低通滤波器，去除高频噪声，得到车体的横向加速度、纵向加速度和垂向加速度数值，分别根据不同评价标准计算车体舒适度值。不同评价标准包括国际标准化组织的ISO2631评价标准、德国的Sperling评价标准、英国的BS6841评价标准、欧盟的ENV12299评价标准和国际铁路联盟的UIC513评价标准。

步骤3：对不同评价标准计算的车体舒适度值进行归一化处理。

对于每种评价标准计算的车体舒适度值，都要进行归一化处理。进行归一化处理具体利用公式其中，x_i为i时刻车体舒适度值，x_min为所有时刻的车体舒适度值的最小值，x_max为所有时刻的车体舒适度值的最大值。

步骤4：建立基于递阶遗传算法的BP神经网络。

在本发明中，建立一种基于递阶遗传算法的BP神经网络，用来计算不同舒适度标准之间的相关性。该神经网络中，输入层节点数为1，最大隐单元个数为30，输出层节点数目为1。遗传算法的参数设置如下：初始种群数为25，进化代数为25，隐节点重叠系数为0.6，精确度误差系数和复杂度误差系数均为1，控制基因和参数基因交叉概率均为0.77，控制基因和参数基因变异概率为0.05。BP神经网络结构图如图3所示。

步骤5：任取两组利用不同评价标准计算并归一化处理后的车体舒适度值，分别作为基于递阶遗传算法的BP神经网络的输入数据和输出数据。

在本实施例中，任取的两组利用不同评价标准计算并归一化处理后的车体舒适度值分别为320个。即第一组车体舒适度值为320个，作为输入数据；第二组为车体舒适度值为320个，为输出数据。

步骤6：分别在输入数据和输出数据中选择训练样本和测试样本。

本实施例中，在第一组车体舒适度值(即输入数据)的320个数据中，选择260个作为训练样本，另外60个作为测试样本。在第二组车体舒适度值(即输出数据)的320个数据中，也选择260个作为训练样本，另外60个作为测试样本。

步骤7：训练基于递阶遗传算法的BP神经网络。

步骤8：利用训练后的基于递阶遗传算法的BP神经网络，预测车体舒适度值并进行反归一化处理。

利用均方根误差公式

RMSE (y, y_{m}) = \sqrt{\frac{1}{N} Σ_{i = 1}^{N} {(y (i) - y_{m} (i))}^{2}}

评价训练后的基于递阶遗传算法的BP神经网络是否满足精度要求。其中，y为测试样本中的目标值，y_m为预测并反归一化后的车体舒适度值，N为测试样本数目。设定阈值为0.1，当上式RMSE(y，y_m)的值小于0.1时，则认为训练后的基于递阶遗传算法的BP神经网络满足精度要求。如果RMSE(y，y_m)的值大于等于0.1，则说明训练后的基于递阶遗传算法的BP神经网络不满足精度要求，此时可以修正基于递阶遗传算法的BP神经网络的权值，重新训练基于递阶遗传算法的BP神经网络，知道满足精度为止。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims

1.一种列车车体舒适度的预测方法，其特征是所述方法包括：

步骤1：采集车体振动数据；

步骤4：建立基于递阶遗传算法的BP神经网络；

步骤7：训练所述基于递阶遗传算法的BP神经网络；

2.根据权利要求1所述的一种列车车体舒适度的预测方法，其特征是所述车体振动数据包括车体的横向加速度、纵向加速度和垂向加速度。

3.根据权利要求1所述的一种列车车体舒适度的预测方法，其特征是所述分别利用不同评价标准计算车体舒适度值具体是分别利用国际标准化组织的ISO2631评价标准、德国的Sperling评价标准、英国的BS6841评价标准、欧盟的ENV12299评价标准和国际铁路联盟的UIC513评价标准计算车体舒适度值。

4.根据权利要求1所述的一种列车车体舒适度的预测方法，其特征是所述对不同评价标准计算的车体舒适度值进行归一化处理具体利用公式

5.根据权利要求1所述的一种列车车体舒适度的预测方法，其特征是所述基于递阶遗传算法的BP神经网络的输入层节点数为1，最大隐单元个数为30，输出层节点数目为1；其遗传算法的参数设置为：初始种群数为25，进化代数为25，隐节点重叠系数为0.6，精确度误差系数和复杂度误差系数均为1，控制基因和参数基因交叉概率均为0.77，控制基因和参数基因变异概率为0.05。

6.根据权利要求1所述的一种列车车体舒适度的预测方法，其特征是所述训练后的基于递阶遗传算法的BP神经网络满足精度要求具体是，当公式的计算结果小于设定阈值时，训练后的基于递阶遗传算法的BP神经网络满足精度要求；其中，y为测试样本中的目标值，y_m为预测并反归一化后的车体舒适度值，N为测试样本数目。