CN118094746A - 一种机车转向架疲劳载荷谱提取方法 - Google Patents
一种机车转向架疲劳载荷谱提取方法 Download PDFInfo
- Publication number
- CN118094746A CN118094746A CN202311760172.4A CN202311760172A CN118094746A CN 118094746 A CN118094746 A CN 118094746A CN 202311760172 A CN202311760172 A CN 202311760172A CN 118094746 A CN118094746 A CN 118094746A
- Authority
- CN
- China
- Prior art keywords
- data
- locomotive
- strain
- bogie
- extracting
- 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
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 63
- 238000001228 spectrum Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 title description 9
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 230000008878 coupling Effects 0.000 claims abstract description 16
- 238000010168 coupling process Methods 0.000 claims abstract description 16
- 238000005859 coupling reaction Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 239000006096 absorbing agent Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000035939 shock Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000725 suspension Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- ROXBGBWUWZTYLZ-UHFFFAOYSA-N [6-[[10-formyl-5,14-dihydroxy-13-methyl-17-(5-oxo-2h-furan-3-yl)-2,3,4,6,7,8,9,11,12,15,16,17-dodecahydro-1h-cyclopenta[a]phenanthren-3-yl]oxy]-4-methoxy-2-methyloxan-3-yl] 4-[2-(4-azido-3-iodophenyl)ethylamino]-4-oxobutanoate Chemical compound O1C(C)C(OC(=O)CCC(=O)NCCC=2C=C(I)C(N=[N+]=[N-])=CC=2)C(OC)CC1OC(CC1(O)CCC2C3(O)CC4)CCC1(C=O)C2CCC3(C)C4C1=CC(=O)OC1 ROXBGBWUWZTYLZ-UHFFFAOYSA-N 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种机车转向架疲劳载荷谱提取方法，属于轨道车辆结构设计领域，包括：构建机车转向架刚柔耦合多体动力学模型；进行实车试验通过惯性测量单元和应变传感器采集惯性数据和应变数据，并对采集的数据进行数据预处理；通过等效质量法对预处理后的惯性数据进行计算获得载荷数据，将载荷数据输入到动力学模型中进行仿真，获得应变响应结果；将应变响应结果与预处理后的应变数据进行对比获得误差参数，当误差参数大于误差阈值时对动力学模型进行校核；当误差参数小于等于误差阈值时，驱动动力学模型进行仿真，通过统计学方法提取转向架的疲劳载荷谱。本发明通过惯性测量单元替代了大量传感器，提高了计算效率，降低转向架的寿命预测成本。
Description
技术领域
本发明属于轨道车辆结构设计技术领域，尤其涉及一种机车转向架疲劳载荷谱提取方法。
背景技术
在轨道交通快速发展的背景下，机车全生命周期健康管理已逐渐成为车辆制造单位、城轨列车维保单位的重点研究方向之一。转向架作为机车的主要承载结构，其在随机激励下的动力响应以及疲劳强度问题直接影响到机车的行车安全。因此，如何精准提取机车转向架的疲劳载荷谱以及提高转向架的疲劳寿命就显得极为重要。
传统的机车转向架疲劳载荷谱提取方法过度依赖于关键区域布置的传感器，由于转向架结构复杂，需要布置大量的传感器。当前，轨道车辆数量庞大，一方面，布置大量传感器存在着经济效率低下的问题，另一方面，对传感器的过分依赖会降低转向架疲劳损伤检测得到的疲劳载荷谱的可靠度。
发明内容
为解决上述技术问题，本发明提出了一种机车转向架疲劳载荷谱提取方法，以解决现有技术中存在的问题。
为实现上述目的，本发明提供了一种机车转向架疲劳载荷谱提取方法，包括以下步骤：
基于机车结构件构建机车转向架刚柔耦合多体动力学模型；
进行实车试验，通过惯性测量单元和应变传感器采集机车的惯性数据和应变数据，并对所述惯性数据和应变数据进行数据预处理；
通过等效质量法对预处理后的惯性数据进行计算获得载荷数据，将所述载荷数据输入到机车转向架刚柔耦合多体动力学模型中进行仿真，获得机车转向架的应变响应结果；
将所述应变响应结果与预处理后的应变数据进行对比获得误差参数，当误差参数小于等于误差阈值时，将所述应变响应结果作为仿真结果，通过统计学方法对所述仿真结果进行提取，得到机车转向架的疲劳载荷谱。
可选的，所述机车结构件包括刚体部分和柔性部件；
所述刚体部分包括机车车体、车轮、轴箱、连接杆；
所述柔性部件包括转向架构架、弹簧、减振器、橡胶元件。
可选的，所述惯性数据包括机车转向架的纵向、垂向和横向的线性加速度数据；
所述应变数据包括应力集中点的应变响应数据。
可选的，所述数据预处理的方法包括：通过滤波器对惯性数据和应变数据进行滤波预处理，将滤波预处理后的惯性数据和应变数据通过数据处理算法进行数据处理。
可选的，所述滤波器包括陷波滤波器、巴特沃斯滤波器、马尔科夫滤波器或椭圆滤波器。
可选的，所述数据处理算法包括短时傅里叶变换、连续小波变换、Wigner-Ville分布或Hilbert变换。
可选的，所述连续小波变换中采用Meyer小波基函数对数据进行分解，分解表达式如下：
式中，CWT(a,b)表示在尺度参数a和平移参数b处的连续小波变换值，x(t)表示滤波预处理后的惯性数据和应变数据，ψ(·)表示小波基函数的复共轭，t表示时间变量。
可选的，通过等效质量法获得载荷数据的方法包括：
根据机车结构件的几何参数和材料特性计算车体等效质量，将所述车体等效质量与线性加速度数据相乘获得载荷数据。
可选的，通过统计学方法对所述仿真结果进行提取的过程中包括：
通过雨流计数法、矿工法、高斯过程模型或循环计数法对所述仿真结果进行提取。
与现有技术相比，本发明具有如下优点和技术效果：
本发明将仿真计算方法与实验监测方法结合起来，建立机车转向架刚柔耦合多体动力学模型，使用惯性测量单元采集转向架的纵向、横向和垂向加速度信号，减少了传感器的使用。采用本发明所述方法可以提高机车转向架疲劳载荷谱的提取准确性、真实性和效率，节约成本，为机车设计、改进和评估提供重要的技术支持。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的提取方法流程图；
图2为本发明实施例的刚柔耦合多体动力学模型图；
图3为本发明实施例的转向架传感器布置位置图；
其中，1、惯性测量单元；2、第二应变测量传感器；3、第三应变测量传感器；4、第四应变测量传感器；5、第五应变测量传感器；6、第六应变测量传感器；7、第七应变测量传感器；8、第八应变测量传感器；9、第九应变测量传感器。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示，本发明提出了一种机车转向架疲劳载荷谱提取方法，包括以下步骤：
基于机车结构件构建机车转向架刚柔耦合多体动力学模型；
进行实车试验通过惯性测量单元和应变传感器采集机车的惯性数据和应变数据，并对所述惯性数据和应变数据进行数据预处理；
通过等效质量法对预处理后的惯性数据进行计算获得载荷数据，将所述载荷数据输入到机车转向架刚柔耦合多体动力学模型中进行仿真，获得机车转向架的应变响应结果；
将所述应变响应结果与预处理后的应变数据进行对比获得误差参数，当误差参数大于误差阈值时，基于所述误差参数对所述机车转向架刚柔耦合多体动力学模型进行校核；
当误差参数小于等于误差阈值时，驱动机车转向架刚柔耦合多体动力学模型进行仿真，获得仿真结果，通过统计学方法对所述仿真结果进行提取，得到机车转向架的疲劳载荷谱。
具体实施方式如下：
(1)建立机车转向架刚柔耦合多体动力学模型
转向架的刚柔耦合模型是提取疲劳载荷谱的主要载体，为保证模型的精度，根据转向架的几何参数和材料特性，利用试验台对整个转向架部件的质量参数(如车轮、轴箱、连接杆、构的质量与惯量以及机车车体满载的质量与惯量)、弹性部件的弹性力学参数(包括一系悬挂和二系悬挂的弹簧刚度、转向架构架的刚度、减震器阻尼等)进行测量。根据转向架的实际结构获取转向架的基本参数(如轴距、轮径、轮缘厚度等)，上述工作完成后，即可进行转向架的装配工作。将机车转向架的构架、轴箱、悬挂、制动、轮对、减震器等部分依次装配得到如图2所示的机车转向架刚柔耦合多体动力学模型，其中：上侧为机车车体；下侧为机车转向架。在刚柔耦合模型中，在对应的各部件安装点处布置传感器，供后续疲劳载荷谱提取使用。
(2)在机车转向架上布置惯性测量单元和应变传感器，进行实车试验，采集传感器信号，进行数据处理；
图3为本发明转向架传感器布置位置图，其中模型监测点和实际传感器布置位置相同；以某型号的2轴转向架来说明传感器布置的具体位置，并采集一个完整路段运行时各个监测点的应变数据。其中，1为位于转向架构架底座形心处的惯性测量单元，第二应变测量传感器2-第九应变测量传感器9分布于转向架的不同位置。详细信息见表1。
表1
为了消除对信号分析造成干扰的高频噪声成分，首先要对信号进行滤波预处理。本发明采用Butterworth滤波器对信号进行预处理，去除高频噪声，并进行数据修正，主要包括：毛刺修正、漂移修正。
对预处理后的数据进行分析与处理，主要包括：选用Meyer小波基函数对数据进行分解，其优点在于对非平稳信号的分析具有较好的性能，能够捕捉信号的局部特征和频率变化。具体分解公式为：
其中：CWT(a,b)表示在尺度参数a和平移参数b处的连续小波变换值，x(t)表示滤波预处理后的惯性数据和应变数据，ψ(t)表示小波基函数的复共轭，t表示时间变量，选用的是Meyer小波基函数。
其中：η(t)是Meyer小波的调整函数；
同时利用短时傅里叶变换(STFT)处理数据，对比数据的频域响应特性，以供后续动力学模型校核使用。
式中：STFT(t,f)表示在时间t和频率f处的STFT值，x[n]是滤波预处理后的惯性数据和应变数据，w[n-t]是窗函数，*表示卷积运算，j是虚数单位，n是时间索引，N是窗函数的长度。通过对不同时间和频率位置的信号进行加权和相位调制，可以获得时频域上的信号表示。
(3)将载荷数据输入转向架刚柔耦合模型，并驱动模型进行仿真
需要说明的是：惯性测量单元测量的是加速度数据，需要将加速度数据转化为载荷数据，通过等效质量法将加速度数据转换为载荷数据。根据转向架的几何参数和材料属性，将转向架各部件的等效质量分别计算得到，并依据惯性测量单元的惯性数据，计算得到各监测点的载荷数据。
(4)将实测与仿真的应变结果进行对比，校核机车转向架动力学模型
将步骤(3)中通过模型仿真获取的转向架关键节点的应变响应数据与应变片测量获取的实测应变数据进行对比，参考AISC 360-16的相关标准，在满足工程需求的条件下，保证转向架所有关键节点的总误差小于2％。若总误差大于2％，则调整动力学模型参数以及边界条件，直到误差大小符合要求。此时的刚柔耦合模型可以用来提取转向架疲劳载荷谱。
(5)在误差大小符合标准的前提下，驱动模型仿真，利用统计学方法提取转向架的疲劳载荷谱
将基于实测惯性数据获取的载荷数据输入动力学模型，并驱动模型进行仿真，可以直接输出转向架每个应力监测点的疲劳载荷谱，可用于转向架及其零部件的疲劳寿命开发。
将提取的转向架疲劳载荷谱通过统计分析方法(雨流计数法、矿工法、高斯过程模型和循环计数法)进行统计分析，经过时域雨流计数法处理的转向架疲劳载荷谱准确度最高，最符合列车实际运行工况。
本发明的方法可以应用于机车转向架疲劳寿命评价领域，其优势在于能够避免单纯依赖仿真法计算结果与实际工况存在较大差距的问题，同时避免了使用大量传感器进行试验测算所带来的安装和维护成本的增加。
以上，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种机车转向架疲劳载荷谱提取方法，其特征在于，包括以下步骤：
基于机车结构件构建机车转向架刚柔耦合多体动力学模型；
进行实车试验，通过惯性测量单元和应变传感器采集机车的惯性数据和应变数据，并对所述惯性数据和应变数据进行数据预处理；
通过等效质量法对预处理后的惯性数据进行计算获得载荷数据，将所述载荷数据输入到机车转向架刚柔耦合多体动力学模型中进行仿真，获得机车转向架的应变响应结果；
将所述应变响应结果与预处理后的应变数据进行对比获得误差参数，当误差参数小于等于误差阈值时，将所述应变响应结果作为仿真结果，通过统计学方法对所述仿真结果进行提取，得到机车转向架的疲劳载荷谱。
2.根据权利要求1所述的机车转向架疲劳载荷谱提取方法，其特征在于，
所述机车结构件包括刚体部分和柔性部件；
所述刚体部分包括机车车体、车轮、轴箱、连接杆；
所述柔性部件包括转向架构架、弹簧、减振器、橡胶元件。
3.根据权利要求1所述的机车转向架疲劳载荷谱提取方法，其特征在于，
所述惯性数据包括机车转向架的纵向、垂向和横向的线性加速度数据；
所述应变数据包括应力集中点的应变响应数据。
4.根据权利要求1所述的机车转向架疲劳载荷谱提取方法，其特征在于，
所述数据预处理的方法包括：通过滤波器对惯性数据和应变数据进行滤波预处理，将滤波预处理后的惯性数据和应变数据通过数据处理算法进行数据处理。
5.根据权利要求4所述的机车转向架疲劳载荷谱提取方法，其特征在于，
所述滤波器包括陷波滤波器、巴特沃斯滤波器、马尔科夫滤波器或椭圆滤波器。
6.根据权利要求4所述的机车转向架疲劳载荷谱提取方法，其特征在于，
所述数据处理算法包括短时傅里叶变换、连续小波变换、Wigner-Ville分布或Hilbert变换。
7.根据权利要求6所述的机车转向架疲劳载荷谱提取方法，其特征在于，
所述连续小波变换中采用Meyer小波基函数对数据进行分解，分解表达式如下：
式中，CWT(a,b)表示在尺度参数a和平移参数b处的连续小波变换值，x(t)表示滤波预处理后的惯性数据和应变数据，ψ(·)表示小波基函数的复共轭，t表示时间变量。
8.根据权利要求3所述的机车转向架疲劳载荷谱提取方法，其特征在于，
通过等效质量法获得载荷数据的方法包括：
根据机车结构件的几何参数和材料特性计算车体等效质量，将所述车体等效质量与线性加速度数据相乘获得载荷数据。
9.根据权利要求1所述的机车转向架疲劳载荷谱提取方法，其特征在于，
通过统计学方法对所述仿真结果进行提取的过程中包括：
通过雨流计数法、矿工法、高斯过程模型或循环计数法对所述仿真结果进行提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311760172.4A CN118094746A (zh) | 2023-12-20 | 2023-12-20 | 一种机车转向架疲劳载荷谱提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311760172.4A CN118094746A (zh) | 2023-12-20 | 2023-12-20 | 一种机车转向架疲劳载荷谱提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118094746A true CN118094746A (zh) | 2024-05-28 |
Family
ID=91160664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311760172.4A Pending CN118094746A (zh) | 2023-12-20 | 2023-12-20 | 一种机车转向架疲劳载荷谱提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118094746A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118468604A (zh) * | 2024-07-09 | 2024-08-09 | 西南交通大学 | 数轨车辆控制全寿命周期设计方法、系统、设备及介质 |
-
2023
- 2023-12-20 CN CN202311760172.4A patent/CN118094746A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118468604A (zh) * | 2024-07-09 | 2024-08-09 | 西南交通大学 | 数轨车辆控制全寿命周期设计方法、系统、设备及介质 |
| CN118468604B (zh) * | 2024-07-09 | 2024-10-18 | 西南交通大学 | 数轨车辆控制全寿命周期设计方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | A two-level adaptive chirp mode decomposition method for the railway wheel flat detection under variable-speed conditions | |
| CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
| CN108562446B (zh) | 基于轴箱振动时频域特征车轮多边形检测方法及终端设备 | |
| CN118094746A (zh) | 一种机车转向架疲劳载荷谱提取方法 | |
| CN104776908A (zh) | 基于emd广义能量的轮轨振动信号故障特征提取方法 | |
| CN103852269B (zh) | 高速列车运行动力学参数检测方法 | |
| CN112765778B (zh) | 转向架横向稳定性识别方法、装置以及计算机设备 | |
| CN111238837A (zh) | 基于车轮振动加速度响应高速列车轮对损伤识别试验台 | |
| CN103398859B (zh) | 一种力—位移混合控制摩托车车架疲劳试验方法 | |
| CN109813511B (zh) | 基于移动车辆的桥梁快速测试与参数识别方法 | |
| CN103196682B (zh) | 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法 | |
| CN107423692A (zh) | 一种基于小波包能量熵的钢轨波磨故障检测方法 | |
| CN109766635B (zh) | 一种机车机械部件状态感知传感器优化布局方法 | |
| CN107403139A (zh) | 一种城轨列车车轮扁疤故障检测方法 | |
| CN114997252B (zh) | 一种基于惯性原理的车轮多边形车载检测方法 | |
| CN112834222A (zh) | 动态监测列车轴承使用寿命的方法及电子设备 | |
| CN116481747A (zh) | 一种考虑桥梁阻尼影响的桥梁模态振型驱车识别方法 | |
| CN111444574B (zh) | 基于动力学分析的传感器布局优化方法 | |
| CN114091176A (zh) | 一种基于时域和频域状态下的车辆动力学模型校准方法 | |
| CN116296180A (zh) | 基于双轴车接触响应空间位置关系的桥梁阻尼比识别方法 | |
| CN115326437A (zh) | 一种转向架故障监测与诊断的嵌入式系统装置及方法 | |
| CN104156550A (zh) | 车辆钢板弹簧悬架系统阻尼比的分析计算方法 | |
| CN117874479A (zh) | 基于数据驱动的重载机车车钩力识别方法 | |
| CN116467570B (zh) | 一种基于数据驱动的重载机车车钩摆角定量识别方法 | |
| Zhou et al. | Multi-objective sparsity maximum mode de-composition: a new method for rotating machine fault diagnosis on high-speed train axle box |
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 |