CN110502726A - 一种轨道车辆车内噪音预测方法及装置 - Google Patents

一种轨道车辆车内噪音预测方法及装置 Download PDF

Info

Publication number
CN110502726A
CN110502726A CN201910802697.7A CN201910802697A CN110502726A CN 110502726 A CN110502726 A CN 110502726A CN 201910802697 A CN201910802697 A CN 201910802697A CN 110502726 A CN110502726 A CN 110502726A
Authority
CN
China
Prior art keywords
angular velocity
acceleration
vehicle
predicted
longitudinal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910802697.7A
Other languages
English (en)
Other versions
CN110502726B (zh
Inventor
王平
王沂峰
何庆
高天赐
从建力
王启航
汪健辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910802697.7A priority Critical patent/CN110502726B/zh
Publication of CN110502726A publication Critical patent/CN110502726A/zh
Application granted granted Critical
Publication of CN110502726B publication Critical patent/CN110502726B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Toys (AREA)

Abstract

本申请实施例提供一种轨道车辆车内噪音预测方法及装置,所述方法包括:将待预测轨道车辆的轨道线形、轨道不平顺参数、车辆参数和轨道参数输入预先设置的车辆‑轨道耦合动力学模型,得到待预测轨道车辆在待预测区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到预测样本特征向量。再将预测样本特征向量输入到预先根据多元回归模型构建的多元回归预测器中,得到待预测轨道车辆在所述待预测轨道区间的车内噪音信息。采用本申请提供的轨道车辆车内噪音预测方法,能够快速准确的对待预测轨道车辆在所述待预测轨道区间的车内噪音信息进行预测。

Description

一种轨道车辆车内噪音预测方法及装置
技术领域
本申请涉及噪音预测领域,具体而言,涉及一种轨道车辆车内噪音预测方法及装置。
背景技术
近年,我国经济快速发展,大量城市轨道交通线路开通,而乘车安全性、舒适性问题是建设单位、运营单位以及乘客共同关心的问题。其中车内噪音是影响乘车舒适性的关键因素,车内噪音过大也是目前乘客投诉较多的问题之一。
目前对于车内噪音的预测主要是建立列车数值模型开展的,而采用该方法预测车内噪音的准确性高度依赖模型参数的选取,而最佳参数的选取在有些情况下较为困难。并且模型的推广泛化能力差,针对不同的工况,都需要单独做出一个模型,每个模型又会涉及多个模块,计算效率低,增加了很多工作量。
有鉴于此,如何实现对于轨道车辆车内噪音快速准确的预测,是目前需要解决的问题。
发明内容
本申请提供一种轨道车辆车内噪音预测方法及装置。
第一方面,本申请提供一种轨道车辆车内噪音预测方法,包括:
将待预测轨道车辆的待预测轨道区间信息输入预先设置的车辆-轨道耦合动力学模型,得到所述待预测轨道车辆在待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,其中,所述待预测轨道区间信息包括轨道线形、轨道不平顺参数、车辆参数和轨道参数;
根据所述待预测轨道车辆在所述待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到预测样本特征向量;
将所述预测样本特征向量输入所述预先设置的多元回归预测器,得到所述待预测轨道车辆在所述待预测轨道区间的车内噪音信息。
可选地,所述预先设置的多元回归预测器由随机森林回归模型训练得到。
可选地,所述方法还包括训练多元回归预测器的步骤,该步骤包括:
获取样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和车内噪声的声压信号;
根据所述样本轨道车辆的纵向加速度,计算得到所述样本轨道车辆的纵向行驶速度;
根据所述车内噪声的声压信号,计算得到计权声压;
根据所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到训练样本特征向量;
根据所述计权声压,计算得到训练样本目标向量;
将所述训练样本特征向量和训练样本目标向量输入预先构建的多元回归模型,训练得到多元回归预测器。
可选地,所述根据所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到训练样本特征向量,包括:
采用窗函数处理所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值;
将所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值作为所述训练样本特征向量。
可选地,所述根据所述计权声压,计算得到训练样本目标向量,包括:
采用窗函数计算得到所述计权声压的方均根值;
根据所述计权声压的方均根值,计算得到训练样本目标向量。
可选地,所述根据所述车内噪声的声压信号,计算得到计权声压,包括:
将所述车内噪声的声压信号输入计权声压滤波器中,计算得到所述计权声压。
第二方面,本申请提供一种轨道车辆车内噪音预测装置,包括:
获取模块,用于将待预测轨道车辆的待预测轨道区间信息输入预先设置的车辆-轨道耦合动力学模型,得到所述待预测轨道车辆在待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,其中,所述待预测轨道区间信息包括轨道线形、轨道不平顺参数、车辆参数和轨道参数;
计算模块,用于根据所述待预测轨道车辆在所述待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到预测样本特征向量;
预测模块,用于将所述预测样本特征向量输入所述预先设置的多元回归预测器,得到所述待预测轨道车辆在所述待预测轨道区间的车内噪音信息。
可选地,所述预先设置的多元回归预测器由随机森林回归模型训练得到。
可选地,所述装置还包括:
训练模块,用于获取样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和车内噪声的声压信号;
根据所述样本轨道车辆的纵向加速度,计算得到所述样本轨道车辆的纵向行驶速度;
根据所述车内噪声的声压信号,计算得到计权声压;
根据所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到训练样本特征向量;
根据所述计权声压,计算得到训练样本目标向量;
将所述训练样本特征向量和训练样本目标向量输入预先构建的多元回归模型,训练得到多元回归预测器。
可选地,所述训练模块具体用于:
采用窗函数处理所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值;
将所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值作为所述训练样本特征向量。
本申请实施例提供一种轨道车辆车内噪音预测方法及装置,所述方法包括:将待预测轨道车辆的轨道线形、轨道不平顺参数、车辆参数和轨道参数输入预先设置的车辆-轨道耦合动力学模型,得到待预测轨道车辆在待预测区间垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到预测样本特征向量。再将预测样本特征向量输入到预先根据多元回归模型构建的多元回归预测器中,得到待预测轨道车辆在所述待预测轨道区间的车内噪音信息。采用本申请提供的轨道车辆车内噪音预测方法,能够快速准确的对待预测轨道车辆在所述待预测轨道区间的车内噪音信息进行预测。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定。对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的轨道车辆车内噪音预测方法的步骤流程示意框图;
图2为本申请实施例提供的轨道线形的示意图;
图3为本申请实施例提供的轨道不平顺参数示意图;
图4为本申请实施例提供的训练多元回归预测器的步骤流程示意框图;
图5为图4中步骤S207的子步骤流程示意框图;
图6为本申请实施例提供的窗内数据特征类型表;
图7为图4中步骤S208的子步骤流程示意框图;
图8申请实施例提供的轨道车辆车内噪音预测装置的结构示意框图。
图标:110-轨道车辆车内噪音预测装置;1101-获取模块;1102-计算模块;1103-预测模块;1104-训练模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,“设置”、“连接”等术语应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的具体实施方式进行详细说明。
请参照图1,图1为本申请实施例提供的轨道车辆车内噪音预测方法的步骤流程示意框图,包括步骤S201、步骤S202和步骤S203。
步骤S201,将待预测轨道车辆的待预测轨道区间信息输入预先设置的车辆-轨道耦合动力学模型,得到所述待预测轨道车辆在待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,其中,所述待预测轨道区间信息包括轨道线形、轨道不平顺参数、车辆参数和轨道参数。
在本实施例中,待预测轨道车辆的待预测轨道区间可以是指待预测轨道车辆在某一段轨道上行驶所在区间。
请结合参考图2和图3,图2为本申请实施例提供的轨道线形的示意图,图3为本申请实施例提供的轨道不平顺参数示意图。在本实施例中,可以通过在预先设置的车辆-轨道耦合动力学模型中输入轨道线形、轨道不平顺参数、车辆参数和轨道参数。其中,轨道线形和轨道不平顺参数可以分别如图2和图3进行表示。车辆参数可以包括车体质量之半(kg)、构架质量之半(kg)、轮对质量之半(kg)、车体点头惯量之半(kg*m^2)、构架点头惯量之半(kg*m^2)、一系悬挂刚度(单侧)(N/m)、二系悬挂刚度(N/m)、一系悬挂阻尼(单侧)(N*s/m)、二系悬挂阻尼(N*s/m)、车辆定距之半(m)、转向架轴距之半(m)和车轮滚动圆半径(m);轨道参数可以包括轨枕间距(m)、T60钢轨(kg/m)、钢轨截面惯量(m^4)和钢轨的弹性模量(N/m^2)。在本申请实施例的其他实施方式中,也可以通过输入其他参数到车辆-轨道耦合动力学模型中获取需要的数据,也可以将轨道线形、轨道不平顺参数、车辆参数和轨道参数输入到其他模型中来获取所需数据。
步骤S202,根据所述待预测轨道车辆在所述待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到预测样本特征向量。
步骤S203,将所述预测样本特征向量输入所述预先设置的多元回归预测器,得到所述待预测轨道车辆在所述待预测轨道区间的车内噪音信息。
进一步地,所述预先设置的多元回归预测器由随机森林回归模型训练得到。
应当理解的是,在本实施例中,由于车内噪音影响因素较多,且各因素与车内噪音之间存在非线性关系,可以利用随机森林构建车体响应与车内噪音映射关系。由于随机森林方法基于较强的鲁棒性,对于干扰信号不敏感,无需进行特征筛选,因此能够在车内噪音预测中发挥较好的效果。且随机森林算法适于并行计算,因此可以采用随机森林回归模型训练得到多元回归预测器。采用随机森林回归分析模型开展轨道车辆车内噪音预测,相比传统的车内噪音预测方法具备速度快的,在处理大数据时表现优异的特点。在本实施例的其他实施方式中也可以采用多元自适应回归样条(multivariate adaptive regressionsplines,简称MARS)的方法来获取多元回归预测器。
应当理解的是,在本实施例中,根据预先设置的多元回归预测器获取的所述待预测轨道车辆在所述待预测轨道区间的车内噪音信息可以通过计权声压来表示,在其他实施例中,车内噪音信息也可以通过其他形式表现出来。
请参照图4,图4为本申请实施例提供的训练多元回归预测器的步骤流程示意框图,该步骤包括步骤S204、步骤S205、步骤S206、步骤S207、步骤S208和步骤S209。
步骤S204,获取样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和车内噪声的声压信号。
步骤S205,根据所述样本轨道车辆的纵向加速度,计算得到所述样本轨道车辆的纵向行驶速度。
在本实施例中,可以根据如下公式,获取样本轨道车辆的纵向行驶速度:
v=∫aLdt+v0
其中,v是样本轨道车辆的纵向行驶速度,aL是样本轨道车辆的纵向加速度,v0是样本轨道车辆的初始速度,应当理解的是,在本实施中,由于轨道车辆一般停站较多,且轨道车辆停车状态较为容易判断,因此可取列车停车作为初始状态,即v0=0。
步骤S206,根据所述车内噪声的声压信号,计算得到计权声压。
进一步地,步骤S206,包括:
将所述车内噪声的声压信号输入计权声压滤波器中,计算得到所述计权声压。
在本实施例中,可以采用A计权声压级作为列车内噪音水平的评价标准,因此计算声压级前需要先对所获得的声压信号进行A计权滤波,可以通过如下公式进行滤波:
pA=FA-weight(p)
其中,pA为A计权声压,FA-weight()为计权滤波器,p为车内噪声的声压信号。
步骤S207,根据所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到训练样本特征向量。
步骤S208,根据所述计权声压,计算得到训练样本目标向量。
步骤S209,将所述训练样本特征向量和训练样本目标向量输入预先构建的多元回归模型,训练得到多元回归预测器。
请参照图5,图5为图4中步骤S207的子步骤流程示意框图。在本实施例中,步骤S207可以包括子步骤S2071和子步骤S2072。
步骤S2071,采用窗函数处理所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值。
步骤S2072,将所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值作为所述训练样本特征向量。
请结合参照图6,图6为本申请实施例提供的窗内数据特征类型表。在本实施例中,由于惯性传感采样频率与声频信号采样频率存在较大差异,即单位时间内数据点数存在较大差距,为了方便后续处理垂向加速度aV、横向加速度aH、纵向加速度aL、摇头角速度ωY、侧滚角速度ωR、点头角速度ωP以及A计权声压pA等不同数据类型,可以取等时间长度矩形窗进行处理,得到各个数据类型的各个指标,其中,窗长为Lwin,步长为Lstep。窗内所有数据的一种指标值来反映窗内所有数据点的整体水平。根据各类信号的特征及其物理意义,确定窗内数据特征类型,如图6所示。在本实施中,通过上述窗函数处理可以得到训练样本特征向量,可以表示为:
其中,为样本轨道车辆的纵向行驶速度v的平均值,a、a和a分别为垂向加速度aV、横向加速度aH、纵向加速度aL的标准差,分别为摇头角速度ωY、侧滚角速度ωR、点头角速度ωP的平均值的绝对值。
应当理解的是,在本实施例中,测量到的三向角速度数据(摇头角速度ωY、侧滚角速度ωR、点头角速度ωP)正负表示方向,可以认为方向与噪声大小无关,所以此处可以对其平均值取绝对值。
请参照图7,图7为图4中步骤S208的子步骤流程示意框图。在本实施例中,步骤S208可以包括子步骤S2081和子步骤S2082。
步骤S2081,采用窗函数计算得到所述计权声压的方均根值。
步骤S2082,根据所述计权声压的方均根值,计算得到训练样本目标向量。
请再次参照图6,在本实施例中,可以采用窗函数来获取A计权声压pA的方均根值,然后根据如下公式计算得到训练样本目标向量:
SPLA,i=20log(pArms,i/pref)
B=[SPLA]
其中,SPLA,i为A计权声压序列第i个值,pArms,i为对A计权声压加窗处理并用均方根值表征后得到序列的第i个值,pref为参考声压,可以取值为2×10E-5Pa,B为训练样本目标向量。
应当理解是,在本实施中,训练多元回归预测器采用了多组数据,历史监测数据越丰富,数据可靠度越高,预测结果可靠性也就越高,并且采用随机森林回归模型来构建多元回归预测器,不需要考虑多元共线性问题,不需要做变量选择,能够很好地处理各特征变量与目标之间的非线性关系。
请参照图8,图8为本申请实施例提供的轨道车辆车内噪音预测装置110的结构示意框图,包括:
获取模块1101,用于将待预测轨道车辆的待预测轨道区间信息输入预先设置的车辆-轨道耦合动力学模型,得到所述待预测轨道车辆在待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,其中,所述待预测轨道区间信息包括轨道线形、轨道不平顺参数、车辆参数和轨道参数。
计算模块1102,用于根据所述待预测轨道车辆在所述待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到预测样本特征向量。
预测模块1103,用于将所述预测样本特征向量输入所述预先设置的多元回归预测器,得到所述待预测轨道车辆在所述待预测轨道区间的车内噪音信息。
进一步地,所述预先设置的多元回归预测器由随机森林回归模型训练得到。
进一步地,所述装置还包括:
训练模块1104,用于获取样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和车内噪声的声压信号;
根据所述样本轨道车辆的纵向加速度,计算得到所述样本轨道车辆的纵向行驶速度。
根据所述车内噪声的声压信号,计算得到计权声压。
根据所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到训练样本特征向量。
根据所述计权声压,计算得到训练样本目标向量。
将所述训练样本特征向量和训练样本目标向量输入预先构建的多元回归模型,训练得到多元回归预测器。
进一步地,所述训练模块1104具体用于:
采用窗函数处理所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值。
将所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值作为所述训练样本特征向量。
在本实施例中,轨道车辆车内噪音预测装置110的具体实现原理可以参照前述轨道车辆车内噪音预测方法的实现原理,在此不再赘述。
综上所述,采用本申请提供的轨道车辆车内噪音预测方法,能够快速准确的对待预测轨道车辆在所述待预测轨道区间的车内噪音信息进行预测。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。

Claims (10)

1.一种轨道车辆车内噪音预测方法,其特征在于,包括:
将待预测轨道车辆的待预测轨道区间信息输入预先设置的车辆-轨道耦合动力学模型,得到所述待预测轨道车辆在待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,其中,所述待预测轨道区间信息包括轨道线形、轨道不平顺参数、车辆参数和轨道参数;
根据所述待预测轨道车辆在所述待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到预测样本特征向量;
将所述预测样本特征向量输入所述预先设置的多元回归预测器,得到所述待预测轨道车辆在所述待预测轨道区间的车内噪音信息。
2.根据权利要求1所述的方法,其特征在于,所述预先设置的多元回归预测器由随机森林回归模型训练得到。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括训练多元回归预测器的步骤,该步骤包括:
获取样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和车内噪声的声压信号;
根据所述样本轨道车辆的纵向加速度,计算得到所述样本轨道车辆的纵向行驶速度;
根据所述车内噪声的声压信号,计算得到计权声压;
根据所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到训练样本特征向量;
根据所述计权声压,计算得到训练样本目标向量;
将所述训练样本特征向量和训练样本目标向量输入预先构建的多元回归模型,训练得到多元回归预测器。
4.根据权利要求3所述的方法,其特征在于,所述根据所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到训练样本特征向量,包括:
采用窗函数处理所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值;
将所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值作为所述训练样本特征向量。
5.根据权利要求3所述的方法,其特征在于,所述根据所述计权声压,计算得到训练样本目标向量,包括:
采用窗函数计算得到所述计权声压的方均根值;
根据所述计权声压的方均根值,计算得到训练样本目标向量。
6.根据权利要求3所述的方法,其特征在于,所述根据所述车内噪声的声压信号,计算得到计权声压,包括:
将所述车内噪声的声压信号输入计权声压滤波器中,计算得到所述计权声压。
7.一种轨道车辆车内噪音预测装置,其特征在于,包括:
获取模块,用于将待预测轨道车辆的待预测轨道区间信息输入预先设置的车辆-轨道耦合动力学模型,得到所述待预测轨道车辆在待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,其中,所述待预测轨道区间信息包括轨道线形、轨道不平顺参数、车辆参数和轨道参数;
计算模块,用于根据所述待预测轨道车辆在所述待预测轨道区间的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到预测样本特征向量;
预测模块,用于将所述预测样本特征向量输入所述预先设置的多元回归预测器,得到所述待预测轨道车辆在所述待预测轨道区间的车内噪音信息。
8.根据权利要求7所述的装置,其特征在于,所述预先设置的多元回归预测器由随机森林回归模型训练得到。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
训练模块,用于获取样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和车内噪声的声压信号;
根据所述样本轨道车辆的纵向加速度,计算得到所述样本轨道车辆的纵向行驶速度;
根据所述车内噪声的声压信号,计算得到计权声压;
根据所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到训练样本特征向量;
根据所述计权声压,计算得到训练样本目标向量;
将所述训练样本特征向量和训练样本目标向量输入预先构建的多元回归模型,训练得到多元回归预测器。
10.根据权利要求9所述的装置,其特征在于,所述训练模块具体用于:
采用窗函数处理所述样本轨道车辆的垂向加速度、横向加速度、纵向加速度、摇头角速度、侧滚角速度、点头角速度和纵向行驶速度,计算得到所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值;
将所述纵向行驶速度的平均值,垂向加速度、横向加速度和纵向加速度的标准差,摇头角速度、侧滚角速度和点头角速度的平均值的绝对值作为所述训练样本特征向量。
CN201910802697.7A 2019-08-28 2019-08-28 一种轨道车辆车内噪音预测方法及装置 Expired - Fee Related CN110502726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910802697.7A CN110502726B (zh) 2019-08-28 2019-08-28 一种轨道车辆车内噪音预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910802697.7A CN110502726B (zh) 2019-08-28 2019-08-28 一种轨道车辆车内噪音预测方法及装置

Publications (2)

Publication Number Publication Date
CN110502726A true CN110502726A (zh) 2019-11-26
CN110502726B CN110502726B (zh) 2021-04-27

Family

ID=68588624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910802697.7A Expired - Fee Related CN110502726B (zh) 2019-08-28 2019-08-28 一种轨道车辆车内噪音预测方法及装置

Country Status (1)

Country Link
CN (1) CN110502726B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113588206A (zh) * 2021-09-07 2021-11-02 吉林大学 一种基于油泥模型风洞试验的车内风噪声预测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100596185B1 (ko) * 2004-05-19 2006-07-03 한국철도기술연구원 소음예측식 알고리즘을 이용한 열차 환경소음 측정방법 및이를 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을수 있는 기록매체
CN101697175A (zh) * 2009-10-26 2010-04-21 华东交通大学 一种轨道交通噪声仿真预测方法
CN102928816A (zh) * 2012-11-07 2013-02-13 东南大学 一种面向隧道环境的车辆高可靠组合定位方法
CN103175699A (zh) * 2011-12-23 2013-06-26 南车青岛四方机车车辆股份有限公司 轨道车辆噪声传播途径测试方法
CN103852269A (zh) * 2012-12-01 2014-06-11 南车青岛四方机车车辆股份有限公司 高速列车运行动力学参数检测方法
CN105069261A (zh) * 2015-09-06 2015-11-18 山东理工大学 低速轨道车辆二系横向减振器最优阻尼系数的设计方法
CN105117556A (zh) * 2015-09-06 2015-12-02 山东理工大学 高铁一系和二系及端部减振器阻尼系数的协同优化方法
CN105590003A (zh) * 2016-01-05 2016-05-18 浙江大学 一种高速列车车内噪声分析预测方法
CN105760658A (zh) * 2016-02-03 2016-07-13 华东交通大学 一种区间神经网络的高速列车噪声预测方法
CN106056140A (zh) * 2016-05-27 2016-10-26 大连楼兰科技股份有限公司 基于人工智能有监督学习线性回归方法建立不同车型分工况远程定损系统及方法
CN107742420A (zh) * 2017-09-22 2018-02-27 北京交通大学 一种用于突发交通事件下道路交通流预测的方法
CN108569297A (zh) * 2017-03-14 2018-09-25 厦门雅迅网络股份有限公司 一种车辆行驶工况的识别方法及系统
CN109919511A (zh) * 2019-03-20 2019-06-21 西南交通大学 既有铁路线形评估方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100596185B1 (ko) * 2004-05-19 2006-07-03 한국철도기술연구원 소음예측식 알고리즘을 이용한 열차 환경소음 측정방법 및이를 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을수 있는 기록매체
CN101697175A (zh) * 2009-10-26 2010-04-21 华东交通大学 一种轨道交通噪声仿真预测方法
CN103175699A (zh) * 2011-12-23 2013-06-26 南车青岛四方机车车辆股份有限公司 轨道车辆噪声传播途径测试方法
CN102928816A (zh) * 2012-11-07 2013-02-13 东南大学 一种面向隧道环境的车辆高可靠组合定位方法
CN103852269A (zh) * 2012-12-01 2014-06-11 南车青岛四方机车车辆股份有限公司 高速列车运行动力学参数检测方法
CN105117556A (zh) * 2015-09-06 2015-12-02 山东理工大学 高铁一系和二系及端部减振器阻尼系数的协同优化方法
CN105069261A (zh) * 2015-09-06 2015-11-18 山东理工大学 低速轨道车辆二系横向减振器最优阻尼系数的设计方法
CN105590003A (zh) * 2016-01-05 2016-05-18 浙江大学 一种高速列车车内噪声分析预测方法
CN105760658A (zh) * 2016-02-03 2016-07-13 华东交通大学 一种区间神经网络的高速列车噪声预测方法
CN106056140A (zh) * 2016-05-27 2016-10-26 大连楼兰科技股份有限公司 基于人工智能有监督学习线性回归方法建立不同车型分工况远程定损系统及方法
CN108569297A (zh) * 2017-03-14 2018-09-25 厦门雅迅网络股份有限公司 一种车辆行驶工况的识别方法及系统
CN107742420A (zh) * 2017-09-22 2018-02-27 北京交通大学 一种用于突发交通事件下道路交通流预测的方法
CN109919511A (zh) * 2019-03-20 2019-06-21 西南交通大学 既有铁路线形评估方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
GAO M 等: "Self-Powered ZigBee Wireless Sensor Nodes for Railway Condition Monitoring", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
GUARNACCIA C 等: "Advanced Tools for Traffic Noise Modelling and Prediction", 《WSEAS TRANSACTIONS ON SYSTEMS》 *
SHI YU 等: "Interior Noise Prediction of Subway Cab Caused by Track Irregularities", 《2010 INTERNATIONAL CONFERENCE ON OPTOELECTRONICS AND IMAGE PROCESSING》 *
TSYMBAL A 等: "Dynamic Integration with Random Forests", 《MACHINE LEARNING: ECML 2006》 *
杨晶晶: "城市区域交通噪声预测与评价", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王德威: "高速列车车外噪声源贡献量分析及影响因素研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
翟婉明 等: "地铁线路钢轨焊接区轮轨动力学问题", 《振动.测试与诊断》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113588206A (zh) * 2021-09-07 2021-11-02 吉林大学 一种基于油泥模型风洞试验的车内风噪声预测方法

Also Published As

Publication number Publication date
CN110502726B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN106871924B (zh) 一种基于卫星定位信号的车辆行驶里程计算方法
Kim et al. Experimental analysis of vehicle–bridge interaction using a wireless monitoring system and a two-stage system identification technique
CN107832882A (zh) 一种基于马尔科夫决策过程的出租车寻客策略推荐方法
CN105000033B (zh) 一种轨道几何不平顺的检测评估系统
CN114248796B (zh) 考虑路线驾驶难度的导航
Li et al. Cloud aided semi-active suspension control
CN104590112B (zh) 判断车辆转弯安全度的方法及系统
CN112896170A (zh) 一种车路协同环境下的自动驾驶横向控制方法
CN114186362B (zh) 一种基于运营列车振动响应预测轨道不平顺及其传感器优化配置的分析方法
CN110502726B (zh) 一种轨道车辆车内噪音预测方法及装置
CN106153975A (zh) 一种输出车速脉冲信号的方法、系统及车辆
CN110143108A (zh) 汽车悬架半主动控制方法及系统
CN108304594A (zh) 一种基于速度与陀螺仪数据的汽车驾驶稳定性的判定方法
CN117782480B (zh) 一种基于两移动车辆响应的曲线桥竖向和径向阻尼比识别方法
CN110488042A (zh) 一种列车加速度检测方法、系统、电子设备及存储介质
CN109919511B (zh) 既有铁路线形评估方法及系统
WO2007142066A1 (ja) 情報提供装置、情報提供方法、及び情報提供プログラム
CN104111095B (zh) 基于汽车行驶状态的汽车油耗分析方法及系统
EP4321403A1 (en) Geolocation-based vehicle operation
CN108773377A (zh) 一种基于移动终端的汽车油耗实时估计方法及装置
CN104344835A (zh) 一种基于切换式自适应控制罗经的捷联惯导动基座对准方法
CN112484839A (zh) 一种基于二轴车辆响应的桥梁移动检测方法和系统
CN109377754B (zh) 一种车联网环境下的短时交通流速度预测方法
Masino Road Condition Estimation with Data Mining Methods using Vehicle Based Sensors
CN103310044A (zh) 基于改进粒子滤波算法的轨道车辆悬挂系统参数估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210427