CN112541228B - 接触力长短时记忆网络预测的受电弓主动控制方法 - Google Patents
接触力长短时记忆网络预测的受电弓主动控制方法 Download PDFInfo
- Publication number
- CN112541228B CN112541228B CN202011455293.4A CN202011455293A CN112541228B CN 112541228 B CN112541228 B CN 112541228B CN 202011455293 A CN202011455293 A CN 202011455293A CN 112541228 B CN112541228 B CN 112541228B
- Authority
- CN
- China
- Prior art keywords
- pantograph
- force
- contact force
- formula
- active control
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L5/00—Current collectors for power supply lines of electrically-propelled vehicles
- B60L5/18—Current collectors for power supply lines of electrically-propelled vehicles using bow-type collectors in contact with trolley wire
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Current-Collector Devices For Electrically Propelled Vehicles (AREA)
Abstract
本发明涉及一种接触力长短时记忆网络预测的受电弓主动控制方法,属于受电弓主动控制领域,包括以下步骤:S1:搭建二元弓网系统振动耦合模型;S2:对弓网耦合模型进行受力分析,建立状态空间方程,并进行建模仿真,得到接触力仿真数据;S3:基于LSTM网络建立预测模型,预测下一时刻接触力F’,利用预测结果建立和接触力期望值计算出下一时刻所需的控制力u(t),并以此为核心搭建控制器;S4:选择和安装作动器;S5:由作动器将阻尼力施加到弓网系统中,建立起一个闭环的接触力主动控制系统。本发明降低了弓网接触力波动程度,提高了列车的受流质量。
Description
技术领域
本发明属于受电弓主动控制领域,涉及一种接触力长短时记忆网络预测的受电弓主动控制方法。
背景技术
弓网系统是电气化铁路供电系统中的关键组成部分,担负着将牵引网电能输送给电力机车使用的重要任务。脆弱的弓网关系作为影响高速铁路安全运行的三大重要关系之一,直接决定机车受流质量。随着机车的提速,弓网间复杂的耦合振动随之加剧。弓网间的接触力波动更加剧烈,导致受流质量急剧下降,严重情况下会引起弓线分离触发电弧,导致烧毁受电弓、接触线和机车上的电器设备,给高速运行列车带来极大安全隐患。因此,弓网动态性能的改进已成为当前高速铁路的一项重要课题。
现有方法是通过改善接触网和受电弓结构参数来提升弓网性能,主要通过以下两种方式:一是提高接触网刚度或增加接触线张力;二是增大弓网之间的接触力。方式一是对原有弓网系统类型和参数进行改造,需要投入巨大的人力物力,且随着列车速度的提升,优化弓网系统静态参数的方法效果随之减弱。方式二则会增加弓网磨损,缩短弓网系统使用寿命。因此,研究受电弓的主动控制,通过施加主动控制力对弓网系统的振动进行有效抑制,使得弓网接触压力保持在理想状态,成为改善受电弓性能的有效措施,也是新型受电弓的主要研究方向。
目前已提出多种受电弓主动控制策略,包括线性二次型调节器(linearquadratic regulator,LQR)控制、滑膜变结构控制以及模糊控制等。上述方法分别通过确定代价函数最小化的反馈规律,设置合理的切换函数和建立合适的模糊控制器实现受电弓主动控制。然而,上述控制策略均需依赖先验知识对关键参数的设计。例如,LQR最优控制中需要经验选取状态加权矩阵和控制力权重系数;滑膜变结构控制中需要经验计算目标特征值和预测因子;模糊控制中需要先验知识建立规则和选择输入量。基于以上问题,任志玲等提出了一种基于模型预测控制(model predictive control,MPC)的弓网系统控制策略。然而,MPC模型仅考虑有限的几个时间步且不适用于不稳定的系统和对象,因而其接触力预测结果精度不足,导致此方法在弓网间接触力的控制上表现乏力。
发明内容
有鉴于此,本发明的目的在于减小因车辆加速导致的弓网耦合系统波动剧烈的问题,从而减少弓网间的离线,电弧的出现,提高车辆受流质量,提供一种接触力长短时记忆网络预测的受电弓主动控制方法。
为达到上述目的,本发明提供如下技术方案:
一种接触力长短时记忆网络预测的受电弓主动控制方法,包括以下步骤:
S1:搭建二元弓网系统振动耦合模型;
S2:对弓网耦合模型进行受力分析,建立状态空间方程,并进行建模仿真,得到接触力仿真数据;
S3:基于LSTM网络建立预测模型,预测下一时刻接触力F’,利用预测结果建立和接触力期望值计算出下一时刻所需的控制力u(t),并以此为核心搭建控制器;
S4:选择和安装作动器;
S5:由作动器将阻尼力施加到弓网系统中,建立起一个闭环的接触力主动控制系统。
进一步,步骤S1具体包括:
S11:计算接触网刚度;
S12:选择二元受电弓模型;
S13:构建弓网系统振动耦合模型。
进一步,步骤S11中,接触网刚度在跨距内变化是引起弓网振动的主要因素,与接触网类型、接触线刚度及密度、列车运行速度都有关系。计算接触网时变刚度的计算方法,公式如下:
进一步,步骤S12具体包括:
对于受电弓,在弓网系统研究中主要有归算质量模型、多刚体模型、刚柔混合模型和全柔性模型等形式;在研究受电弓动力学特性时常采用具有更高动态特性的归算质量模型,将受电弓简化成质量块、阻尼和弹簧链接而成的结构模型,根据其质量块的数目可分为一元、二元、三元模型及多元模型。质量块模型是通过对受电弓质量、刚度和阻尼进行识别,得到了不同等效模型的力学参数。
进一步,步骤S13具体包括:为便于研究,通常将受电弓和接触网简化为一个通过弹性元件耦合在一起的整体。
进一步,步骤S2中,所述受力分析的动力学方程为:
其中k(t)为接触网等效刚度,由式(1)给出的计算方法确定;m1、c1、z1和m2、c2、z2分别为弓头和框架的的等效质量、等效阻尼和垂向位移;k1为弓头等效刚度;FL为受电弓静抬升力;zr为车体激扰信号。
为了便于用Matlab/simulink软件进行动态仿真,需将步骤S4中所述的动力学方程转为状态方程形式;
式中系数矩阵如下:
C=[k(t) 0 0 0]
当施加主动控制力时,弓网系统状态空间方程如下:
式中:
u(t)=FL-F’
式中:F’为受电弓接触力预测值。
进一步,步骤S3中,LSTM网络作为循环神经网络(Recurrent Neural Network,RNN)的变体,引入自循环的设计以产生梯度长时间持续流动的路径,可以学习长期依赖信息从而规避掉RNN更新权重时梯度消失问题。目前在电力、股票和故障时序预测等方面都得到了广泛的应用。
S31:通过3个门机制,完成LSTM网络细胞的内部处理;使得LSTM模型可以有效利用输入数据,对过去长时期数据形成记忆。
S32:在相对简单且模块化的keras框架下搭建LSTM网络;
S33:将弓网系统接触力数据投入到LSTM网络中,至此,完成整个LSTM预测模型的搭建工作,所述控制器以LSTM预测模型为核心建立。
进一步,所述步骤S4中,作动器选择阻尼可调,控制方便、响应迅速、能耗小、结构简单的磁流变阻尼器。
其中磁流变阻尼器的阻尼力Fd通过非线性Bingham模型计算,公式如下:
磁流变阻尼器的阻尼力Fd由两部分组成:被动黏滞阻尼力和可变库伦阻尼力应用磁流变阻尼器的具体方法为调节磁流变液阻尼器的输入电流、控制磁场强度,进而改变磁流变液剪切屈服强度,产生所期望的控制力;同时选择将磁流变阻尼器安装在弓头和框架之间。
本发明的有益效果在于:本发明降低了弓网接触力波动程度,提高了列车的受流质量。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明的弓网系统整体模型;
图2为二元受电弓模型;
图3为作动器安装示意图;
图4为LSTM网络示意图;
图5为磁流变阻尼器结构图;
图6为实现受电弓主动控制的系统流程图;
图7为不同时速下控制结果对比图;
图8为本发明所述接触力长短时记忆网络预测的受电弓主动控制方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,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的具体含义。
如图1-6、图8所示,一种接触力长短时记忆网络预测的受电弓主动控制方法
1)搭建二元弓网系统振动耦合模型;
2)对弓网系统振动耦合模型进行受力分析,建立状态空间方程,并在simulink里进行建模仿真,得到接触力仿真数据;
3)基于LSTM网络建立预测模型,预测下一时刻接触力F’,利用预测结果建立和接触力期望值计算出下一时刻所需的控制力u(t),并以此为核心搭建控制器;
4)选择和安装作动器,本发明选择磁流变阻尼器作为整套控制系统作动器;
5)由作动器将阻尼力施加到弓网系统中。由此建立起一个闭环的接触力主动控制系统。
首先,需要获取弓网间接触力数据,附图说明本主动控制系统的具体流程。
以下举例说明本实施例:
第一步:搭建二元弓网系统振动耦合模型。
1)计算接触网刚度。公式如下:
2)选择二元受电弓模型。在欧标EN50318中,二元受电弓模型的仿真结果可以与标准进行比较,因此,选择二元受电弓模型进行研究。
3)建立弓网系统振动耦合模型。为便于研究,通常将受电弓和接触网简化为一个通过弹性元件耦合在一起的整体。
第二步:对弓网系统振动耦合模型进行受力分析,得出其动力学方程为,然后据此建立状态空间方程,并在simulink里进行建模仿真。
其动力学方程公式如下:
其中k(t)为接触网等效刚度,由式(1)给出的计算方法确定;m1、c1、z1和m2、c2、z2分别为弓头和框架的的等效质量、等效阻尼和垂向位移;k1为弓头等效刚度;FL为受电弓静抬升力;zr为车体激扰信号。
式中系数矩阵如下:
C=[k(t) 0 0 0]
u(t)=FL-F’
式中:F’为受电弓接触力预测值,w(t)为噪声功率为0.01的白噪声。
第三步:完善控制器。控制器的主体为LSTM预测模型。LSTM工作原理如下:
①在遗忘门中,由Ct-1、ht和Xt决定忘记部分内容,公式如下:
ft=σ(Wf·(ht-1,Xt)+bf)
式中W为权重系数矩阵,b为偏置向量。
②在输入门中更新细胞状态中的存储信息。由输入门的σ函数计算结果it,决定保存哪部分输入信息。然后根据tanh函数创建候选状态值最后通过旧的细胞状态Ct-1乘以ft,遗忘部分旧信息,然后加上新的输入信息,更新当期细胞状态。公式如下:
it=σ(Wi·(ht-1,Xt)+bi)
③在输出门中,由σ函数、tanh函数和更新后的细胞状态Ct决定输出的信息。公式如下:
ot=σ(Wo·(ht-1,Xt)+bo)
ht=ot*tanh(Ct)
第四步:作动器的选择和安装。主动控制系统以弓网耦合系统、控制器和作动器为基础。控制器是以LSTM预测模型为核心建立,作动器选择阻尼可调,控制方便、响应迅速、能耗小、结构简单的磁流变阻尼器。
其中磁流变阻尼器的阻尼力Fd可以通过非线性Bingham模型计算,公式如下:
磁流变阻尼器的阻尼力Fd由两部分组成:被动黏滞阻尼力和可变库伦阻尼力前者是由流体的动力粘度和流速决定的不可调节阻尼力,只有可变库伦阻尼力可以调节、控制。因此,应用磁流变阻尼器的具体方法为调节磁流变液阻尼器的输入电流,控制磁场强度,进而改变磁流变液剪切屈服强度,产生所期望的控制力。同时,为了突出主动控制理论值和实际值的跟踪力和速度,选择将磁流变阻尼器安装在弓头和框架之间。
第五步:由作动器将阻尼力施加到弓网系统中。由此建立起一个闭环的接触力主动控制系统。
观察图7,通过实验对比证明本发明的优势。为了进一步验证所提方法的有效性和优越性,选择与MPC预测控制、当下综合性能较好地LQR最优控制和滑膜变结构控制在不同时速下进行实验对比。根据状态空间方程,利用simulink进行仿真实验。
其中,LQR最优控制力计算公式如下:
u(t)=-Kx(t)
式中增益矩阵K根据Q和R求出。
滑模变结构控制力计算公式如下:
u(t)=u0sign(s(x))
式中s(x)为线性切换函数,u0为初始控制力。
综上,完成LQR最优控制器和滑膜变结构控制器的搭建。然后利用MATLAB中的MPC模块建立MPC预测控制系统,实验附图说明。
选用参数如表1、对比结果如表2所示。
表1弓网参数
表2不同时速下弓网接触力控制结果对比
本发明为提高车辆受流质量,提出了一种接触力长短时记忆网络预测的受电弓主动控制方法。首先,获取弓网系统接触力数据。然后利用LSTM算法对时域数据精准的预测性建立预测模型,并以此预测模型为核心建立主动控制系统的控制器部分。最后,将期望控制力通过磁流变阻尼器施加到弓网系统中,由此实现弓网系统的主动控制。通过对受电弓模型和对应的动力学方程进行分析,建立Simulink仿真模型,获取弓网系统接触力数据进行实验,并与其他方法进行对比以验证其优势。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种接触力长短时记忆网络预测的受电弓主动控制方法,其特征在于:包括以下步骤:
S1:搭建二元弓网系统振动耦合模型;
S2:对弓网耦合模型进行受力分析,建立状态空间方程,并进行建模仿真,得到接触力仿真数据;所述受力分析的动力学方程为:
其中k(t)为接触网等效刚度;m1、c1、z1和m2、c2、z2分别为弓头和框架的等效质量、等效阻尼和垂向位移;k1为弓头等效刚度;FL为受电弓静抬升力;zr为车体激扰信号;
将所述的动力学方程转为状态方程形式;
式中系数矩阵如下:
C=[k(t) 0 0 0]
当施加主动控制力时,弓网系统状态空间方程如下:
式中:
u(t)=FL-F’
式中:F’为受电弓接触力预测值;
S3:基于LSTM网络建立预测模型,预测下一时刻接触力F’,利用预测结果和接触力期望值计算出下一时刻所需的控制力u(t),并以此为核心搭建控制器;步骤S3中,具体包括以下步骤:
S31:通过三个门机制,完成LSTM网络细胞的内部处理;
在遗忘门中,由Ct-1、ht和Xt决定忘记部分内容,公式如下:
ft=σ(Wf·(ht-1,Xt)+bf)
式中W为权重系数矩阵,b为偏置向量;
在输入门中更新细胞状态中的存储信息;由输入门的σ函数计算结果it,决定保存哪部分输入信息;然后根据tanh函数创建候选状态值最后通过旧的细胞状态Ct-1乘以ft,遗忘部分旧信息,然后加上新的输入信息,更新当期细胞状态;公式如下:
it=σ(Wi·(ht-1,Xt)+bi)
在输出门中,由σ函数、tanh函数和更新后的细胞状态Ct决定输出的信息;公式如下:
ot=σ(Wo·(ht-1,Xt)+bo)
ht=ot*tanh(Ct)
S32:在相对简单且模块化的keras框架下搭建LSTM网络;
S33:将弓网系统接触力数据投入到LSTM网络中;
S4:选择和安装作动器;
S5:由作动器将阻尼力施加到弓网系统中,建立起一个闭环的接触力主动控制系统。
2.根据权利要求1所述的接触力长短时记忆网络预测的受电弓主动控制方法,其特征在于:步骤S1具体包括:
S11:计算接触网刚度;
S12:选择二元受电弓模型;
S13:构建弓网系统振动耦合模型。
4.根据权利要求2所述的接触力长短时记忆网络预测的受电弓主动控制方法,其特征在于:步骤S12具体包括:
采用归算质量模型,将受电弓简化成质量块、阻尼和弹簧链接而成的结构模型,选择二元受电弓模型。
5.根据权利要求2所述的接触力长短时记忆网络预测的受电弓主动控制方法,其特征在于:步骤S13具体包括:将受电弓和接触网简化为一个通过弹性元件耦合在一起的整体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011455293.4A CN112541228B (zh) | 2020-12-10 | 2020-12-10 | 接触力长短时记忆网络预测的受电弓主动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011455293.4A CN112541228B (zh) | 2020-12-10 | 2020-12-10 | 接触力长短时记忆网络预测的受电弓主动控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541228A CN112541228A (zh) | 2021-03-23 |
CN112541228B true CN112541228B (zh) | 2022-11-08 |
Family
ID=75018486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011455293.4A Active CN112541228B (zh) | 2020-12-10 | 2020-12-10 | 接触力长短时记忆网络预测的受电弓主动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541228B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895237B (zh) * | 2021-11-16 | 2024-06-14 | 重庆交通大学 | 一种跨座式单轨智能受电弓 |
CN115510593B (zh) * | 2022-11-02 | 2023-06-30 | 中南大学 | 一种基于lstm的mr阻尼器逆向映射模型计算方法 |
CN117647935B (zh) * | 2024-01-29 | 2024-05-24 | 兰州交通大学 | 一种受电弓反步主动控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015102522A (ja) * | 2013-11-28 | 2015-06-04 | 公益財団法人鉄道総合技術研究所 | 架線・パンタグラフ系の走行シミュレーション装置 |
CN110161343A (zh) * | 2019-06-12 | 2019-08-23 | 中南大学 | 一种智能列车外部受电装置的非侵入式实时动态监测方法 |
CN110361180A (zh) * | 2019-07-25 | 2019-10-22 | 中南大学 | 智能列车受电弓服役性能动态监测与评估方法及其系统 |
CN111474432A (zh) * | 2020-04-23 | 2020-07-31 | 朔黄铁路发展有限责任公司 | 列车弓网受流工况测试方法、装置、设备和存储介质 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850716B (zh) * | 2019-11-13 | 2022-11-22 | 兰州交通大学 | 基于接触网先验信息的受电弓神经网络滑模变结构主动控制方法 |
CN111367173B (zh) * | 2020-03-06 | 2021-06-25 | 西南交通大学 | 一种基于状态估计的高速铁路受电弓鲁棒预测控制方法 |
-
2020
- 2020-12-10 CN CN202011455293.4A patent/CN112541228B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015102522A (ja) * | 2013-11-28 | 2015-06-04 | 公益財団法人鉄道総合技術研究所 | 架線・パンタグラフ系の走行シミュレーション装置 |
CN110161343A (zh) * | 2019-06-12 | 2019-08-23 | 中南大学 | 一种智能列车外部受电装置的非侵入式实时动态监测方法 |
CN110361180A (zh) * | 2019-07-25 | 2019-10-22 | 中南大学 | 智能列车受电弓服役性能动态监测与评估方法及其系统 |
CN111474432A (zh) * | 2020-04-23 | 2020-07-31 | 朔黄铁路发展有限责任公司 | 列车弓网受流工况测试方法、装置、设备和存储介质 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
Non-Patent Citations (1)
Title |
---|
"基于性能退化的高铁牵引系统的剩余寿命预测";朱凯强等;《信息与控制》;20200615;第49卷(第3期);335-342 * |
Also Published As
Publication number | Publication date |
---|---|
CN112541228A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541228B (zh) | 接触力长短时记忆网络预测的受电弓主动控制方法 | |
Wu et al. | Basic analytical study of pantograph-catenary system dynamics | |
Li et al. | Neural adaptive fault tolerant control for high speed trains considering actuation notches and antiskid constraints | |
Allotta et al. | Design and experimental results of an active suspension system for a high-speed pantograph | |
CN116339155B (zh) | 高速动车组数据驱动积分滑模控制方法、系统及设备 | |
Wu et al. | Active vibration control of a railway pantograph | |
CN114167733B (zh) | 一种高速列车速度控制方法及系统 | |
Wang et al. | Deep reinforcement learning based active pantograph control strategy in high-speed railway | |
CN113911172A (zh) | 一种基于自适应动态规划的高速列车优化运行控制方法 | |
Ding et al. | Intelligent switching control of hybrid electromagnetic active suspension based on road identification | |
Lin et al. | Design of a grey-prediction self-organizing fuzzy controller for active suspension systems | |
Atray et al. | Neuro‐Fuzzy Control of Railcar Vibrations Using Semiactive Dampers | |
Liu et al. | The hybrid predictive model of elevator system for energy consumption | |
Rathai et al. | Experimental implementation of model predictive control scheme for control of semi-active suspension system | |
CN116027667A (zh) | 一种基于深度强化学习的重联-动车组双弓协同控制方法 | |
Wang et al. | A reinforcement learning-based pantograph control strategy for improving current collection quality in high-speed railways | |
Zhu et al. | Automatic train operation speed profile optimization and tracking with multi-objective in urban railway | |
CN108749816B (zh) | 运用能量耗散理论进行智能车辆速度调控的方法 | |
Liu et al. | Active pantograph in high-speed railway: Review, challenges, and applications | |
Fang et al. | A Dynamic Transformation Car-Following Model for the Prediction of the Traffic Flow Oscillation | |
Zhang et al. | Adaptive fault-tolerant sliding mode control for high-speed trains with actuator faults under strong winds | |
Wei et al. | Damping multimode switching control of semiactive suspension for vibration reduction in a wheel loader | |
Li et al. | Electric vehicle charging system pressure control based on fuzzy neural network PID control | |
CN111598311B (zh) | 一种新型列车运行速度曲线智能优化方法 | |
Ma et al. | Research on operational state monitoring of Maglev train based on machine learning |
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 |