CN117057190A - 一种轨道车辆制动盘温升预测方法 - Google Patents
一种轨道车辆制动盘温升预测方法 Download PDFInfo
- Publication number
- CN117057190A CN117057190A CN202311036379.7A CN202311036379A CN117057190A CN 117057190 A CN117057190 A CN 117057190A CN 202311036379 A CN202311036379 A CN 202311036379A CN 117057190 A CN117057190 A CN 117057190A
- Authority
- CN
- China
- Prior art keywords
- brake disc
- train
- temperature
- condition
- taking
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000002076 thermal analysis method Methods 0.000 claims abstract description 15
- 230000001052 transient effect Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000004907 flux Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/12—Timing analysis or timing optimisation
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Braking Arrangements (AREA)
Abstract
本发明涉及一种轨道车辆制动盘温升预测方法，该方法包括：S1、建立制动盘瞬态热分析有限元模型；S2、分解得到列车运行子工况；S3、选定制动盘温度预测模型的输入参数与输出参数；S4、分别针对每个列车运行子工况设立一种可覆盖列车设定运行参数范围的仿真分析工况组合方案；S5、建立多种制动盘温度预测模型，为每个列车运行子工况选取误差最小的制动盘温度预测模型作为最佳制动盘温度预测模型；S6、根据实际线路运行工况信息，组合多个列车运行子工况的最佳制动盘温度预测模型，得到线路运行条件下完整制动盘温度预测模型，进行轨道车辆制动盘温升预测。与现有技术相比，本发明具有实时性好的优点。
Description
技术领域
本发明涉及轨道车辆领域，尤其是涉及一种轨道车辆制动盘温升预测方法。
背景技术
轨道交通车辆因其速度快、运营时刻准、载客量大等特点，成为人们日常生活中被广泛采用的交通出行方式。随着列车速度的不断提高，对制动安全性和可靠性的要求更为严苛。目前，列车的空气制动一般采用盘形制动，通过闸片和制动盘间的机械摩擦产生制动力，在制动过程中制动盘盘面温度急剧上升，由于盘面温度分布不均，所以制动盘内部会有热应力的产生，从而影响制动盘的使用寿命，并且盘面温度也会影响到车下周围的设备寿命。因此，制动盘温度变化是计算制动盘热疲劳寿命、规划列车运行工况以及设计制动系统结构部件的重要因素，是列车制动安全管理的重要部分。
目前，对于列车制动盘温度预测的研究方法主要有建立制动盘有限元瞬态热分析模型与开展制动盘台架试验。前者基于传热学理论，研究制动过程中制动摩擦副的热传导、热对流与热辐射现象，基于此结合列车实际运行工况参数与有限元方法建立制动盘瞬态热分析模型；后者则使用1：1台架模拟实际列车制动过程，使用传感器测量制动盘温度变化。学者通常采用建立制动盘有限元模型，并以典型工况的台架试验结果对有限元模型进行修正验证，以获得准确的制动盘热分析有限元模型，通常能够取得良好的预测效果。
然而，上述的列车制动盘温度预测方法存在以下不足：
由于有限元计算包含数万计的单元节点信息，因此进行一次较长的列车工况计算往往需要数十小时的时间，并且还需要包括繁琐的界面操作与结果后处理时间。而台架试验也需要大量的试验准备时间。另外有限元计算软件有着较高的使用难度，台架试验也需要花费大量的人力、物力成本。
新型列车对列车安全管理提出了更高的要求，即实施实时的制动盘热管理。因此需要根据列车运行信息实时得到制动盘温度变化情况，而目前的制动盘温度预测方法需要较高的时间成本从而无法满足列车对于制动盘温度快速预测需求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种轨道车辆制动盘温升预测方法，以满足列车对于制动盘温度实时热管理的需求，从而更好地保障列车运行安全，提升列车智能化安全管理水平。
本发明的目的可以通过以下技术方案来实现：
本发明提供了一种轨道车辆制动盘温升预测方法，该方法包括以下步骤：
S1、根据制动盘本构参数和相关台架试验数据，建立制动盘瞬态热分析有限元模型；
S2、以制动盘温度为切入点，分解得到典型的列车运行子工况；
S3、结合列车运行子工况与列车实际需求，选定制动盘温度预测模型的输入参数与输出参数；
S4、根据选定的输入参数，分别针对每个列车运行子工况设立一种可覆盖列车设定运行参数范围的仿真分析工况组合方案；
S5、建立多种制动盘温度预测模型并采用不同列车运行子工况的仿真数据进行模型训练；根据制动盘瞬态热分析有限元模型与台架试验结果，为每个列车运行子工况选取误差最小的制动盘温度预测模型作为该运行子工况下的最佳制动盘温度预测模型；
S6、根据实际线路运行工况信息，组合多个列车运行子工况的最佳制动盘温度预测模型，得到线路运行条件下完整制动盘温度预测模型，进行轨道车辆制动盘温升预测。
优选地，所述步骤S1中的制动盘本构参数包括制动盘结构尺寸以及制动盘材料参数；所述制动盘结构尺寸包括盘径、厚度和摩擦面尺寸，所述制动盘材料参数包括比热容、密度和热传导系数。
优选地，所述步骤S1中的制动盘瞬态热分析有限元模型中，关键载荷处理方法具体为：
根据列车运行工况，计算得到列车的热流密度载荷、对流散热载荷与热辐射载荷；依照摩擦功率法将热流密度载荷施加到制动盘摩擦面，并将对流散热载荷与热辐射载荷施加到对应的制动盘表面。
优选地，所述步骤S2中以制动盘温度为切入点，分解得到典型的列车运行子工况，具体为：以制动盘温度为切入点，采用贪婪算法分解得到列车运行子工况。
优选地，所述步骤S2中典型的列车运行子工况包括常用/紧急制动工况、停车工况、加速子工况、惰行工况与坡道制动工况。
优选地，所述步骤S3具体为：将制动条件参数作为制动盘温度预测模型的输入参数，将制动盘温度最高节点的温度值作为制动盘温度预测模型的输出参数。
优选地，所述制动条件参数包括环境温度、制动初速度、制动减速度和轴重。
优选地，所述步骤S4具体包括：
针对紧急/常用制动工况，参考列车实际运行条件，取环境温度、制动初速度、制动减速度、轴重作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；
针对停车工况，取停车时间作为输入因子，取三个水平，并承接紧急/常用制动工况组合，得到243组工况；
针对加速工况，参考列车实际运行条件，取环境温度、列车加速度、列车最终运行速度、加速启始时制动盘温度值作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；
针对惰行工况，参考列车实际运行条件，取环境温度、惰行启始温度值、列车运行速度，惰行时间作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；
针对坡道制动工况，参考列车实际运行条件，取环境温度、坡度、列车运行速度，坡道长度作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况。
优选地，所述多种制动盘温度预测模型包括BP神经网络模型、GA-BP神经网络模型和多元非线性回归模型；所述GA-BP神经网络模型采用遗传算法GA对BP神经网络进行优化；
将不同列车运行子工况的仿真数据输入至对应的BP神经网络模型、GA-BP神经网络模型与多元非线性回归模型进行训练。
优选地，对于基于BP神经网络模型的温度预测模型，根据每一个子工况建立三层神经网络预测模型，分别根据经验公式确定每一个子工况预测模型的隐含层节点。
与现有技术相比，本发明具有以下有益效果：
1)本发明所提供的制动盘温度快速预测方法可以实时地得到列车在线路运行过程中的制动盘温度变化，能够满足轨道车辆实时热管理的需求，弥补了传统的有限元仿真方法与台架试验测量方法所需时间成本过高的缺点，为轨道车辆制动盘温度预测提供了新的思路方法。
2)本发明基于机器学习建立轨道车辆制动盘温度预测模型，采用经过台架试验验证过的有限元仿真模型得到的制动盘温度变化数据进行训练。得益于目前深度学习算法水平的提升以及计算机计算能力的进步，得到的预测精度较高，避免了部分情况下仿真方法错误亦或台架试验测量不准的问题，提升了预测的准确度。
3)本发明基于贪婪算法，将轨道车辆线路运行工况进行分解，得到数个子工况，通过对每个子工况进行分析以及模型构建，并最终将子工况温度预测模型组合在一起，得到了轨道车辆完整线路运行工况下制动盘温度预测模型。这大幅度降低了采用完整线路运行工况数据进行分析的难度，并为复杂工况下的制动盘温度预测提供了新的思路。
4)本发明考虑了BP神经网络算法容易陷入局部最优点的缺点，采用了遗传算法对BP神经网络的权值与阈值进行了优化，提升了所建立的温度预测模型的精确度。并且同时建立了多元非线性回归模型，与神经网络模型进行对比分析，最终根据台架试验结果与有限元仿真结果进行对比验证。
5)本发明通过将列车运行信息的实时导入，即可在内部通过数理模型计算得到轨道车辆制动盘温度变化，技术人员无需技术操作即可得到温度结果。相较于传统有限元仿真的较高软件应用门槛以及台架试验时对测量技术的较高要求，本发明无需技术层面要求，大大降低了目前制动盘温度预测技术领域的使用门槛。
附图说明
图1为本发明的方法流程框架图；
图2为本发明所构建的轨道车辆制动盘瞬态热分析有限元流程图；
图3为轨道车辆线路运行工况分解示意图；
图4为轨道车辆制动盘温度预测神经网络模型示意图；
图5为遗传算法优化网络模型原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示，本实施例提供了一种轨道交通车辆制动盘温升识别方法，该方法包括以下步骤：
S1、根据制动盘本构参数并台架试验数据，建立制动盘瞬态热分析有限元模型；
如图2所示，构建轨道车辆制动盘瞬态有限元热分析模型的步骤主要有前处理、仿真计算、后处理三个步骤。前处理主要包括的操作流程为：将制动盘三维模型导入有限元软件调整视角；根据制动盘所用材料以及前述针对制动盘材料参数的研究，输入制动盘所用材料的参数，建立制动盘物理模型；对制动盘进行网格划分操作；制动盘所受载荷：制动盘盘面受热流载荷，制动盘摩擦面，周面，散热筋受对流散热载荷。
在制动盘进行仿真计算阶段，主要包含的操作过程：设置仿真步长；根据列车运行条件设置制动盘仿真环境温度等；设置完毕后，即可进行仿真计算。
在制动盘仿真计算的后处理阶段的主要步骤为：寻找整个计算过程中制动盘的关键温度点信息，并将相应的温度信息进行输出。
S2、以制动盘温度为切入点，分解得到典型的列车运行子工况；
如图3所示，列车常见的线路运行工况中包含多种运行指令，以制动盘温度为考量切入点，可将工况分为常用/紧急制动工况、停车工况、加速工况、惰行工况与坡道制动工况。以上五种工况通过组合即可覆盖常规情况下列车线路运行工况。
其中，影响制动盘温度的因子众多，主要有两类，一类为制动盘本构参数，即制动盘的材料属性、结构尺寸等信息；一类为制动条件参数，即环境温度、制动初速度、制动减速度、轴重等信息。由于列车制动盘型号较多，相应的本构参数不具备普适性，缺少横向对比意义，因此选择制动条件参数作为制动盘温度预测模型的输入因子。
由于有限元计算结果包含信息众多，并且大量信息通常不具备分析意义。结合实际设计人员与学者的需求，可以得到制动盘在制动过程的温度极值通常是分析计算的关键信息，因此选择制动盘温度最高节点的温度值作为输出因子。
步骤S3、结合列车运行子工况与列车实际需求，选定制动盘温度预测模型的输入参数与输出参数；
针对常用/紧急制动工况，选取制动初速度、制动减速度、轴重、环境温度这四个因子作为输入因子。由于制动盘制动最高温度点的温度变换呈现先升高后降低的特点，因此选取制动过程的最高温度值以及结束时刻的温度值作为输出因子。
针对停车工况，停车时制动盘不再有热能输入，而处于自然对流换热阶段，因此再次过程中制动盘温度缓慢下降。由于停车工况通常为制动工况后的连接工况，因此在制动工况的输入因子基础上添加停车总时间这一输入因子，输出因子为停车阶段的制动盘温度下降值。
针对加速工况，在列车加速阶段，制动盘表面没有热能输入，而是处于强迫对流换热阶段，当列车速度越快时，对流换热现象越强烈，制动盘温度下降越快。因此选择环境温度、列车加速度、列车最终运行速度以及加速启始时制动盘温度值，选择加速阶段的制动盘温度下降值作为输出因子。
针对惰行工况，选择惰行启始时制动盘温度值、环境温度、列车运行速度、惰行时间为输入因子，选择惰行阶段制动盘温度下降值为输出因子。
针对坡道制动工况，选择环境温度、坡道坡度、列车运行速度、坡道长度为输入因子，选择坡道制动阶段制动盘温度上升值为输出因子。
S4、根据不同运行子工况的特征分析，结合轨道车辆实际运行条件，选取列车运行子工况的输入因子的取值范围以及对应水平数，并将其进行组合得到仿真分析工况组合方案：
针对紧急/常用制动工况，参考列车实际运行条件，取环境温度因子范围为-40℃～40℃、制动初速度范围为200km/h～400km/h、制动减速度范围为0.6m/s2～1.2m/s2、轴重范围为13～17t，针对每个输入因子取三个水平进行排列组合，得到81组工况。
针对停车工况，取停车时间范围为60s～360s，并取三个水平，承接紧急/常用制动工况组合，得到243组工况。
针对加速工况，参考列车实际运行条件，取环境温度因子范围为-40℃～40℃、列车加速度因子范围为0.6m/s2～1m/s2、列车最终运行速度因子范围为200km/h～400km/h、加速启始时制动盘温度值因子范围为50℃～250℃，针对每个输入因子取三个水平进行排列组合，得到81组工况。
针对惰行工况，参考列车实际运行条件，取环境温度因子范围为-40℃～40℃、惰行启始温度值因子范围为50℃～250℃、列车运行速度因子范围为200km/h～400km/h，惰行时间因子范围取60s～360s，针对每个输入因子取三个水平进行排列组合，得到81组工况。
针对坡道制动工况，参考列车实际运行条件，取环境温度因子范围为-40℃～40℃、坡度因子范围为-5‰～-25‰、列车运行速度因子范围为200km/h～400km/h，坡道长度因子范围为5km～30km，针对每个输入因子取三个水平进行排列组合，得到81组工况。
S5、建立多种制动盘温度预测模型并采用不同列车运行子工况的仿真数据进行模型训练；根据制动盘瞬态热分析有限元模型与台架试验结果，为每个列车运行子工况选取误差最小的制动盘温度预测模型作为该运行子工况下的最佳制动盘温度预测模型。
本实施例中，多种制动盘温度预测模型包括BP神经网络、GA-BP神经网络模型和多元非线性回归模型。
如图4所示，对于BP神经网络模型，其中输入层单元与输出层单元为步骤S3中确定的输入因子与输出因子，由于每个子工况的输入因子数量与输出因子数量不尽相同，因此根据每一个子工况建立三层神经网络预测模型，分别根据经验公式确定每一个子工况预测模型的隐含层节点。训练数据集使用仿真工况数据结果，取仿真数据集的70％与30％分别作为训练数据集和测试数据集。
由于传统BP神经网络是基于梯度下降算法，在局部可行域中可以快速搜索到局部最优解，但是在样本学习初期容易陷入局部极值问题。因此利用遗传算法(GA)对BP神经网络进行优化，得到GA-BP神经网络模型。如图5所示。
在GA-BP算法中，遗传算法主要发挥其全局搜索的作用，而BP算法则主要是起局部寻优与逼近的作用。所以，遗传算法主要的工作在于：每次进行样本学习前，确定BP神经网络的各初始权值和阈值。而BP神经网络则以遗传算法传递的初始权/阈值为基础，高效地进行样本训练。若训练未达到预定的学习目标，算法重新返回遗传算法模块。遗传算法则重新进行全局搜索。再次寻优并提供较为合适的BP神经网络初始权值和阈值。
对于多元非线性回归模型，考虑不同输入因子与输出因子间的多次方关系，并自变量间的相互作用，得到相应的数学表达式为：
即，最佳制动盘温度预测模型选取过程具体为：
首先根据不同运行子工况的参数范围选定相应的测试工况，采用S1中构建的轨道车辆制动盘瞬态热分析有限元模型对其进行仿真计算，得到相应的测试工况数据集，并根据相应的台架试验结果对测试工况案例进行补充。
针对相应的测试工况，采用构建的BP神经网络模型、GA-BP神经网络模型、多元非线性回归模型对工况进行预测，并将结果与测试工况结果进行对比。通过比较不同模型预测的平均相对误差以及平方根误差，判断三种模型的泛化针对相应的运行子工况的泛化能力强弱，最终选取预测精度最好的模型最为相应的运行子工况的制动盘温度预测模型。
步骤S6、得到的每个运行子工况的制动盘温度预测模型，根据轨道车辆实际运行工况对每个运行子工况进行重新组合，最终得到轨道车辆完整运行工况下的制动盘温度预测模型。
以上所述，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。
Claims (10)
1.一种轨道车辆制动盘温升预测方法，其特征在于，该方法包括以下步骤：
S1、根据制动盘本构参数和台架试验数据，建立制动盘瞬态热分析有限元模型；
S2、以制动盘温度为切入点，分解得到典型的列车运行子工况；
S3、结合列车运行子工况与列车实际需求，选定制动盘温度预测模型的输入参数与输出参数；
S4、根据选定的输入参数，分别针对每个列车运行子工况设立一种可覆盖列车设定运行参数范围的仿真分析工况组合方案；
S5、建立多种制动盘温度预测模型并采用不同列车运行子工况的仿真数据进行模型训练；根据制动盘瞬态热分析有限元模型与台架试验结果，为每个列车运行子工况选取误差最小的制动盘温度预测模型作为该运行子工况下的最佳制动盘温度预测模型；
S6、根据实际线路运行工况信息，组合多个列车运行子工况的最佳制动盘温度预测模型，得到线路运行条件下完整制动盘温度预测模型，进行轨道车辆制动盘温升预测。
2.根据权利要求1所述的一种轨道车辆制动盘温升预测方法，其特征在于，所述步骤S1中的制动盘本构参数包括制动盘结构尺寸以及制动盘材料参数；所述制动盘结构尺寸包括盘径、厚度和摩擦面尺寸，所述制动盘材料参数包括比热容、密度和热传导系数。
3.根据权利要求1所述的一种轨道车辆制动盘温升预测方法，其特征在于，所述步骤S1中的制动盘瞬态热分析有限元模型中，关键载荷处理方法具体为：
根据列车运行工况，计算得到列车的热流密度载荷、对流散热载荷与热辐射载荷；依照摩擦功率法将热流密度载荷施加到制动盘摩擦面，并将对流散热载荷与热辐射载荷施加到对应的制动盘表面。
4.根据权利要求1所述的一种轨道车辆制动盘温升预测方法，其特征在于，所述步骤S2中以制动盘温度为切入点，分解得到典型的列车运行子工况，具体为：以制动盘温度为切入点，采用贪婪算法分解得到列车运行子工况。
5.根据权利要求1所述的一种轨道车辆制动盘温升预测方法，其特征在于，所述步骤S2中典型的列车运行子工况包括常用/紧急制动工况、停车工况、加速子工况、惰行工况与坡道制动工况。
6.根据权利要求5所述的一种轨道车辆制动盘温升预测方法，其特征在于，所述步骤S3具体为：将制动条件参数作为制动盘温度预测模型的输入参数，将制动盘温度最高节点的温度值作为制动盘温度预测模型的输出参数。
7.根据权利要求6所述的一种轨道车辆制动盘温升预测方法，其特征在于，所述制动条件参数包括环境温度、制动初速度、制动减速度和轴重。
8.根据权利要求7所述的一种轨道车辆制动盘温升预测方法，其特征在于，所述步骤S4具体包括：
针对紧急/常用制动工况，参考列车实际运行条件，取环境温度、制动初速度、制动减速度、轴重作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；
针对停车工况，取停车时间作为输入因子，取三个水平，并承接紧急/常用制动工况组合，得到243组工况；
针对加速工况，参考列车实际运行条件，取环境温度、列车加速度、列车最终运行速度、加速启始时制动盘温度值作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；
针对惰行工况，参考列车实际运行条件，取环境温度、惰行启始温度值、列车运行速度，惰行时间作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；
针对坡道制动工况，参考列车实际运行条件，取环境温度、坡度、列车运行速度，坡道长度作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况。
9.根据权利要求1所述的一种轨道车辆制动盘温升预测方法，其特征在于，所述多种制动盘温度预测模型包括BP神经网络模型、GA-BP神经网络模型和多元非线性回归模型；所述GA-BP神经网络模型采用遗传算法GA对BP神经网络进行优化；
将不同列车运行子工况的仿真数据输入至对应的BP神经网络模型、GA-BP神经网络模型与多元非线性回归模型进行训练。
10.根据权利要求9所述的一种轨道车辆制动盘温升预测方法，其特征在于，对于基于BP神经网络模型的温度预测模型，根据每一个子工况建立三层神经网络预测模型，分别根据经验公式确定每一个子工况预测模型的隐含层节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036379.7A CN117057190A (zh) | 2023-08-17 | 2023-08-17 | 一种轨道车辆制动盘温升预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036379.7A CN117057190A (zh) | 2023-08-17 | 2023-08-17 | 一种轨道车辆制动盘温升预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117057190A true CN117057190A (zh) | 2023-11-14 |
Family
ID=88656774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311036379.7A Pending CN117057190A (zh) | 2023-08-17 | 2023-08-17 | 一种轨道车辆制动盘温升预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117057190A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490868A (zh) * | 2023-12-29 | 2024-02-02 | 杭州杭叉桥箱有限公司 | 一种叉车制动器多点温度实时检测系统 |
-
2023
- 2023-08-17 CN CN202311036379.7A patent/CN117057190A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490868A (zh) * | 2023-12-29 | 2024-02-02 | 杭州杭叉桥箱有限公司 | 一种叉车制动器多点温度实时检测系统 |
| CN117490868B (zh) * | 2023-12-29 | 2024-03-22 | 杭州杭叉桥箱有限公司 | 一种叉车制动器多点温度实时检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260125B (zh) | 一种轨道车辆部件的温度异常检测方法 | |
| CN103970965A (zh) | 燃气涡轮发动机加速寿命试验试车方法 | |
| CN117057190A (zh) | 一种轨道车辆制动盘温升预测方法 | |
| CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN113241132B (zh) | 一种材料辐照损伤预测机器学习模型的建立方法和系统 | |
| CN103364703B (zh) | Led多应力下可靠性快速评测方法 | |
| CN114925238B (zh) | 一种基于联邦学习的视频片段检索方法及系统 | |
| CN114528666A (zh) | 一种基于多层级分布式协同代理模型的复杂结构系统可靠性方法 | |
| Arendt et al. | Uncertain technology evolution and decision making in design | |
| CN116049989A (zh) | 转向架数字孪生模型构建方法、系统、电子设备及介质 | |
| Zhao et al. | Setting adaptive inspection intervals in helicopter components, based on a Digital Twin | |
| CN113408146B (zh) | 一种基于gra-熵权法的动力电池安全模糊定级方法 | |
| CN113642227A (zh) | 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 | |
| CN116861370B (zh) | 用于井下防爆胶轮车的运动数据处理方法 | |
| Yang et al. | Bayesian-based information extraction and aggregation approach for multilevel systems with multi-source data | |
| CN104992281A (zh) | 一种实现电子产品可靠性评估的方法 | |
| CN105138766B (zh) | 基于模糊聚类的高超声速气动热降阶模型的加点方法 | |
| Makhutov et al. | Imitation of random sequences of extremums in fatigue tests with irregular loading | |
| CN103399974B (zh) | 量化比较随机振动仿真数据与实验数据的方法 | |
| CN113689081B (zh) | 基于正态云模型的自动驾驶道路测试数据质量确定方法 | |
| CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
| CN115056829A (zh) | 多车型连续学习的列车运动状态估计方法 | |
| Yun et al. | Metaheuristic-based inspection policy for a one-shot system with two types of units | |
| CN117172138B (zh) | 一种基于深度学习的城市交通碳排放预测方法及装置 | |
| CN114936485B (zh) | 一种用于电池包系统的振动应力及疲劳寿命预测方法 |
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 |