JP4394656B2 - Trolley line distortion estimation system and distortion estimation program - Google Patents
Trolley line distortion estimation system and distortion estimation program Download PDFInfo
- Publication number
- JP4394656B2 JP4394656B2 JP2006087752A JP2006087752A JP4394656B2 JP 4394656 B2 JP4394656 B2 JP 4394656B2 JP 2006087752 A JP2006087752 A JP 2006087752A JP 2006087752 A JP2006087752 A JP 2006087752A JP 4394656 B2 JP4394656 B2 JP 4394656B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- time
- distortion
- neural network
- contact force
- 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.)
- Expired - Fee Related
Links
Description
本発明はパンタグラフのすり板の通過に伴うトロリ線の歪を推定するシステムおよびプログラムに関する。 The present invention relates to a system and a program for estimating distortion of a trolley wire accompanying passage of a pantograph slip plate.
パンタグラフのトロリ線に対する接触力は、集電性能を評価する重要な指標の一つである。近年の動向として、検測車などで接触力を測定し、保守などに活用しようという流れがある。従来、パンタグラフの舟体に加速度計や歪ゲージを取り付けて、トロリ線に接触した状態で、車両を走行させることにより、接触力を実測している。 The contact force of the pantograph with respect to the trolley wire is one of the important indexes for evaluating the current collecting performance. As a trend in recent years, there is a flow of measuring contact force with an inspection vehicle and utilizing it for maintenance. Conventionally, an accelerometer or a strain gauge is attached to a hull of a pantograph, and the contact force is measured by running the vehicle in contact with the trolley wire.
その一方、パンタグラフの舟体が接触するトロリ線は、パンタグラフが接触しつつ移動することにより応力をうける。繰り返し応力を受けることにより、トロリ線が破断する可能性もあるため、トロリ線の疲労を把握することは非常に重要となっている。従来、トロリ線の応力は、トロリ線上の幾つかの測定点に歪ゲージを取り付けて、列車の通過（パンタグラフの通過）に伴う歪の時間的変化を実測していた。しかしながら、従来の手法では、歪ゲージが取り付けられた場所だけしか、歪が測定できないという問題点、つまり、歪は離散点でしか測定できないという問題点があった。 On the other hand, the trolley line with which the pantograph boat body comes into contact is stressed as the pantograph moves while in contact. Since the trolley wire may break due to repeated stress, it is very important to grasp the fatigue of the trolley wire. Conventionally, as for the stress of the trolley wire, strain gauges are attached to several measurement points on the trolley wire, and the temporal change in strain associated with the passage of a train (passage of a pantograph) has been actually measured. However, the conventional method has a problem that the strain can be measured only at a place where the strain gauge is attached, that is, the strain can be measured only at a discrete point.
非特許文献１に示すように、架線、パンタグラフ系をモデルに置き換え、その運動方程式をコンピュータにより解いて、架線やパンタグラフの運動を定量的に表したデータを取得するシミュレーションも行われている。たとえば、シミュレーションにおいては、架線を多数の質点で表して、各質点について運動方程式をたてる。また、パンタグラフについても、同様に、パンタグラフのモデルを幾つかの質点、ばねおよび押上げ力で表して、各質点について運動方程式をたてる。さらに、トロリ線に対するパンタグラフの接触力を移動しつつ加えることにより、架線の振動を計算することができ、架線の振動からその応力（歪）を求めることも可能である。
上記シミュレーションによって、実際にパンタグラフや架線に歪ゲージを取り付けて実測することなく、パンタグラフのトロリ線に対する接触力やトロリ線の歪を得ることができる。しかしながら、シミュレーションは、上述したように、トロリ線やトロリ線を支える複数の要素（たとえば、支柱および支持点、吊架線、ドロッパ、補助吊架線、ハンガ）の具体的な材質、線の径、長さ、構造に基づいてモデルを作成し、モデルにおいて各質点の運動方程式を作る必要がある。パンタグラフについても同様に、その要素（舟体、舟支え、復元バネ、昇降機構など）の具体的な材質や構造に基づいてモデルを作成し、各質点の運動方程式を作る必要がある。したがって、架線の歪をシミュレーションにより得るためには、場所によって異なる架線の正確な情報が必要である。 By the above simulation, it is possible to obtain the contact force of the pantograph with respect to the trolley line and the distortion of the trolley line without actually attaching a strain gauge to the pantograph or overhead wire and actually measuring it. However, as described above, the simulation is performed on the trolley wire and the specific elements of the elements supporting the trolley wire (for example, the support and supporting points, the suspension wire, the dropper, the auxiliary suspension wire, and the hanger), the wire diameter, and the length. Now, it is necessary to create a model based on the structure and create equations of motion for each mass point in the model. Similarly, for pantographs, it is necessary to create a model based on the specific material and structure of its elements (boat body, boat support, restoring spring, lifting mechanism, etc.) and create equations of motion for each mass point. Therefore, in order to obtain the distortion of the overhead line by simulation, accurate information on the overhead line that differs depending on the location is required.
本発明は、正確な架線の情報を要することなく、パンタグラフの接触力を得られれば、トロリ線の歪を推定することができるシステムおよびプログラムを提供することを目的とする。 It is an object of the present invention to provide a system and a program that can estimate the distortion of a trolley wire if the contact force of a pantograph can be obtained without requiring accurate overhead line information.
本発明の目的は、パンタグラフの舟体に取り付けられたすり板の通過に伴うトロリ線の歪の推定システムであって、
学習用の、第１の所定区間におけるパンタグラフの舟体とトロリ線との間の接触力に関するデータと、当該第１の所定区間における前記パンタグラフの通過に伴うトロリ線の歪に関するデータと、推定用の、第２の所定区間におけるパンタグラフの舟体とトロリ線との間の接触力に関するデータと、ニューラルネットワークのモデルについて、当該ニューラルネットワークを構成する各ニューロン間の結合に関連付けられた重み、および、各ニューロンの閾値を含むニューラルネットワークモデルデータと、を記憶した記憶装置と、
ニューラルネットワークモデルデータに含まれる重みおよび閾値を適切な値にする学習手段であって、
前記記憶装置に記憶された、初期的なニューラルネットワークモデルデータを読み出して、前記ニューラルネットワークモデルの入力層に、前記学習用の接触力に関するデータを与え、入力層から中間層を経て出力層に向けて、順次、前記ニューラルネットワークモデルデータにおけるニューロンの結合にしたがって、入力層により近い側のニューロンからの信号と当該結合に関連付けられた重みとの乗算結果の総和から閾値を減じた値に基づく出力関数により、出力値を算出し、当該出力値を出力層の側に結合されたニューロンに出力することを繰り返す演算手段と、
前記ニューラルネットワークモデルの出力層に、前記学習用のトロリ線の歪に関するデータを与え、出力層から中間層を経て入力層に向けて、誤差信号を伝搬させて、少なくとも、前記ニューラルネットワークデータにおける前記結合に関連付けられた重みおよび前記ニューロンに関する閾値を修正し、前記修正された結合に関連付けられた重みおよび前記ニューロンに関する閾値を、修正されたニューラルネットワークデータとして記憶する誤差逆伝搬手段と、を有する学習手段と、
前記記憶装置に記憶された、前記学習手段による学習により修正されたニューラルネットワークモデルデータを読み出して、前記ニューラルネットワークモデルの入力層に、前記推定用の接触力に関するデータを与え、入力層から中間層を経て出力層に向けて、順次、前記ニューラルネットワークモデルデータにおけるニューロンの結合にしたがって、入力層により近い側のニューロンからの信号と当該結合に関連付けられた重みとの乗算結果の総和から閾値を減じた値に基づく出力関数により、出力値を算出し、当該出力値を出力層の側に結合されたニューロンに出力することを繰り返し、前記出力層からの値を、推定されたトロリ線の歪に関するデータとして、前記記憶装置に記憶する推定手段と、
を備えたことを特徴とする推定システムにより達成される。
An object of the present invention is an estimation system for distortion of a trolley wire accompanying passage of a sliding plate attached to a pantograph hull,
For learning, data relating to the contact force between the pantograph hull and the trolley line in the first predetermined section, data relating to distortion of the trolley line accompanying the passage of the pantograph in the first predetermined section, and for estimation Of the contact force between the pantograph hull and the trolley line in the second predetermined section, and the weight of the neural network model associated with the connection between each neuron constituting the neural network, and A storage device storing neural network model data including a threshold value of each neuron;
A learning means for making weights and thresholds included in neural network model data appropriate values,
Read the initial neural network model data stored in the storage device, give the data related to the learning contact force to the input layer of the neural network model, and from the input layer to the output layer through the intermediate layer In turn, an output function based on a value obtained by subtracting a threshold value from the sum of multiplication results of signals from neurons closer to the input layer and weights associated with the connection according to the connection of neurons in the neural network model data The calculation means for repeatedly calculating the output value and outputting the output value to a neuron coupled to the output layer side,
Data relating to distortion of the learning trolley line is given to the output layer of the neural network model, an error signal is propagated from the output layer to the input layer through the intermediate layer, and at least the neural network data in the neural network data Learning with back propagation means for modifying weights associated with connections and thresholds for the neurons and storing the weights associated with the modified connections and thresholds for the neurons as modified neural network data Means,
Read out the neural network model data corrected by learning by the learning means, stored in the storage device, and give data relating to the contact force for estimation to the input layer of the neural network model, from the input layer to the intermediate layer The threshold is subtracted from the sum of the multiplication results of the signal from the neuron closer to the input layer and the weight associated with the connection in accordance with the connection of the neurons in the neural network model data sequentially toward the output layer. The output function is calculated based on the output value, and the output value is repeatedly output to the neuron coupled to the output layer side, and the value from the output layer is related to the estimated trolley line distortion. Estimating means for storing in the storage device as data;
This is achieved by an estimation system characterized by comprising:
好ましい実施態様においては、前記接触力に関するデータが、時刻ｔｋ（ｋ＝１〜ｍ）における接触力ｆ（ｔｋ）について、短時間フーリエ変換を施した接触力の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）であり、前記トロリ線の歪に関するデータが、時刻ｔｋ（ｋ＝１〜ｍ）における歪ｈ（ｔｋ）について、短時間フーリエ変換を施した歪の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）であり、
前記推定手段により得られたトロリ線の歪に関する時刻ｔｋ（ｋ＝１〜ｍ）における推定された歪の時間・周波数領域データＨ’（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）に、逆短時間フーリエ変換を施して、前記時刻ｔｋ（ｋ＝１〜ｍ）における歪データｈ’（ｔｋ）（ｋ＝１〜ｍ）を算出して、歪の推定値データとして、前記記憶装置に記憶する逆短時間フーリエ変換手段を備える。
In a preferred embodiment, the data relating to the contact force is the contact force time / frequency domain data F () obtained by performing a short-time Fourier transform on the contact force f (t k ) at time t k (k = 1 to m). t k , f i ) (f is the frequency, k = 1 to m, i = 1 to n), and the data relating to the distortion of the trolley wire is the distortion h (t at time t k (k = 1 to m). k ), distortion time / frequency domain data H (t k , f i ) (f is frequency, k = 1 to m, i = 1 to n) subjected to short-time Fourier transform,
Time / frequency domain data H ′ (t k , f i ) of the estimated distortion at time t k (k = 1 to m) relating to distortion of the trolley line obtained by the estimation means (f is frequency, k = 1) ~ M, i = 1 to n) is subjected to inverse short-time Fourier transform to calculate distortion data h ′ (t k ) (k = 1 to m) at the time t k (k = 1 to m). In addition, an inverse short-time Fourier transform means for storing the estimated value data of the distortion in the storage device is provided.
より好ましい実施態様においては、前記記憶装置に記憶された、時刻ｔｋにおける接触力データｆ（ｔｋ）（ｋ＝１〜ｍ）について、短時間フーリエ変換を施して、接触力の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）を生成して、記憶装置に記憶するとともに、時刻ｔｋ（ｋ＝１〜ｍ）における歪データｈ（ｔｋ）について、短時間フーリエ変換を施して、歪の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）を生成して、記憶装置に記憶する短時間フーリエ変換手段を備える。 In a more preferred embodiment, the contact force data f (t k ) (k = 1 to m) at time t k stored in the storage device is subjected to a short-time Fourier transform to obtain the time / frequency of the contact force. Region data F (t k , f i ) (f is frequency, k = 1 to m, i = 1 to n) is generated and stored in the storage device, and at time t k (k = 1 to m). The distortion data h (t k ) is subjected to a short-time Fourier transform, and distortion time / frequency domain data H (t k , f i ) (f is a frequency, k = 1 to m, i = 1 to n). Short-time Fourier transform means for generating and storing in the storage device is provided.
別の好ましい実施態様においては、前記接触力に関するデータが、時刻ｔｋの前後ａの範囲（ｔｋ−ａ〜ｔｋ＋ａ）の接触力データｆ（ｔｋ―ａ）〜ｆ（ｔｋ＋ａ）（ｋ＝１〜ｍ）であり、前記トロリ線の歪に関するデータが、歪データｈ（ｔｋ）（ｋ＝１〜ｍ）であり、
前記推定手段が、時刻ｔｋ（ｋ＝１〜ｍ）における歪の推定値データｈ’（ｔｋ）（ｋ＝１〜ｍ）を算出するように構成されている。
In another preferred embodiment, data relating to the contact force, the range around a time t k (t k-a ~t k + a) contacting force data f (t k-a) of ~f (t k + a) ( k = 1 to m), and the data regarding the distortion of the trolley wire is distortion data h (t k ) (k = 1 to m),
The estimation means is configured to calculate estimated value data h ′ (t k ) (k = 1 to m) of distortion at time t k (k = 1 to m).
また、本発明の目的は、学習用の、第１の所定区間におけるパンタグラフの舟体とトロリ線との間の接触力に関するデータと、当該第１の所定区間における前記パンタグラフの通過に伴うトロリ線の歪に関するデータと、推定用の、第２の所定区間におけるパンタグラフの舟体とトロリ線との間の接触力に関するデータと、ニューラルネットワークのモデルについて、当該ニューラルネットワークを構成する各ニューロン間の結合に関連付けられた重み、および、各ニューロンの閾値を含むニューラルネットワークモデルデータと、を記憶した記憶装置を備えたコンピュータに、パンタグラフの舟体に取り付けられたすり板の通過に伴うトロリ線の歪を推定させるコンピュータプログラムであって、
前記コンピュータに、
ニューラルネットワークモデルデータに含まれる重みおよび閾値を適切な値にする学習ステップであって、
前記記憶装置に記憶された、初期的なニューラルネットワークモデルデータを読み出して、前記ニューラルネットワークモデルの入力層に、前記学習用の接触力に関するデータを与え、入力層から中間層を経て出力層に向けて、順次、前記ニューラルネットワークモデルデータにおけるニューロンの結合にしたがって、入力層により近い側のニューロンからの信号と当該結合に関連付けられた重みとの乗算結果の総和から閾値を減じた値に基づく出力関数により、出力値を算出し、当該出力値を出力層の側に結合されたニューロンに出力することを繰り返す演算ステップ、並びに、
前記ニューラルネットワークモデルの出力層に、前記学習用のトロリ線の歪に関するデータを与え、出力層から中間層を経て入力層に向けて、誤差信号を伝搬させて、少なくとも、前記ニューラルネットワークデータにおける前記結合に関連付けられた重みおよび前記ニューロンに関する閾値を修正し、前記修正された結合に関連付けられた重みおよび前記ニューロンに関する閾値を、修正されたニューラルネットワークデータとして記憶する誤差逆伝搬ステップを有する、学習ステップと、
前記記憶装置に記憶された、前記学習手段による学習により修正されたニューラルネットワークモデルデータを読み出して、前記ニューラルネットワークモデルの入力層に、前記推定用の接触力に関するデータを与え、入力層から中間層を経て出力層に向けて、順次、前記ニューラルネットワークモデルデータにおけるニューロンの結合にしたがって、入力層により近い側のニューロンからの信号と当該結合に関連付けられた重みとの乗算結果の総和から閾値を減じた値に基づく出力関数により、出力値を算出し、当該出力値を出力層の側に結合されたニューロンに出力することを繰り返し、前記出力層からの値を、推定されたトロリ線の歪に関するデータとして、前記記憶装置に記憶する推定ステップと、を実行させることを特徴とする推定プログラムにより達成される。
Another object of the present invention is to provide learning data relating to the contact force between the hull of the pantograph and the trolley line in the first predetermined section, and the trolley line associated with the passage of the pantograph in the first predetermined section. Data on the distortion, data on the contact force between the pantograph hull and the trolley line in the second predetermined section for estimation, and the neural network model, the connection between each neuron constituting the neural network A computer equipped with a storage device that stores the weights associated with each other and the neural network model data including the threshold value of each neuron, and the distortion of the trolley line associated with the passage of the sliding plate attached to the pantograph hull. A computer program for estimation,
In the computer,
A learning step for setting the weights and thresholds included in the neural network model data to appropriate values,
Read the initial neural network model data stored in the storage device, give the data related to the learning contact force to the input layer of the neural network model, and from the input layer to the output layer through the intermediate layer In turn, an output function based on a value obtained by subtracting a threshold value from the sum of multiplication results of signals from neurons closer to the input layer and weights associated with the connection according to the connection of neurons in the neural network model data To calculate an output value and repeatedly output the output value to a neuron coupled to the output layer side, and
Data relating to distortion of the learning trolley line is given to the output layer of the neural network model, an error signal is propagated from the output layer to the input layer through the intermediate layer, and at least the neural network data in the neural network data A learning step comprising modifying a weight associated with a connection and a threshold for the neuron and storing the weight associated with the modified connection and the threshold for the neuron as modified neural network data. When,
Read out the neural network model data corrected by learning by the learning means, stored in the storage device, and give data relating to the contact force for estimation to the input layer of the neural network model, from the input layer to the intermediate layer The threshold is subtracted from the sum of the multiplication results of the signal from the neuron closer to the input layer and the weight associated with the connection in accordance with the connection of the neurons in the neural network model data sequentially toward the output layer. The output function is calculated based on the output value, and the output value is repeatedly output to the neuron coupled to the output layer side, and the value from the output layer is related to the estimated trolley line distortion. An estimation step of storing in the storage device as data. It is achieved by the program.
好ましい実施態様においては、前記接触力に関するデータが、時刻ｔｋ（ｋ＝１〜ｍ）における接触力ｆ（ｔｋ）について、短時間フーリエ変換を施した接触力の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）であり、前記トロリ線の歪に関するデータが、時刻ｔｋ（ｋ＝１〜ｍ）における歪ｈ（ｔｋ）について、短時間フーリエ変換を施した歪の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）であり、
前記コンピュータに、
前記推定ステップにより得られたトロリ線の歪に関する時刻ｔｋ（ｋ＝１〜ｍ）における推定された歪の時間・周波数領域データＨ’（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）に、逆短時間フーリエ変換を施して、前記時刻ｔｋ（ｋ＝１〜ｍ）における歪データｈ’（ｔｋ）（ｋ＝１〜ｍ）を算出して、歪の推定値データとして、前記記憶装置に記憶する逆短時間フーリエ変換ステップを実行させる。
In a preferred embodiment, the data relating to the contact force is the contact force time / frequency domain data F () obtained by performing a short-time Fourier transform on the contact force f (t k ) at time t k (k = 1 to m). t k , f i ) (f is the frequency, k = 1 to m, i = 1 to n), and the data relating to the distortion of the trolley wire is the distortion h (t at time t k (k = 1 to m). k ), distortion time / frequency domain data H (t k , f i ) (f is frequency, k = 1 to m, i = 1 to n) subjected to short-time Fourier transform,
In the computer,
Time / frequency domain data H ′ (t k , f i ) of the estimated distortion at time t k (k = 1 to m) relating to distortion of the trolley wire obtained by the estimation step (f is frequency, k = 1) ~ M, i = 1 to n) is subjected to inverse short-time Fourier transform to calculate distortion data h ′ (t k ) (k = 1 to m) at the time t k (k = 1 to m). Then, an inverse short-time Fourier transform step stored in the storage device as the distortion estimated value data is executed.
より好ましい実施態様においては、前記コンピュータに、
前記記憶装置に記憶された、時刻ｔｋにおける接触力データｆ（ｔｋ）（ｋ＝１〜ｍ）について、短時間フーリエ変換を施して、接触力の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）を生成して、記憶装置に記憶するとともに、時刻ｔｋ（ｋ＝１〜ｍ）における歪データｈ（ｔｋ）について、短時間フーリエ変換を施して、歪の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）を生成して、記憶装置に記憶する短時間フーリエ変換ステップを実行させる。
In a more preferred embodiment, the computer includes:
The contact force data f (t k ) (k = 1 to m) stored at the time t k stored in the storage device is subjected to a short-time Fourier transform to obtain time / frequency domain data F (t k , f i ) (f is a frequency, k = 1 to m, i = 1 to n) is generated and stored in the storage device, and distortion data h (t k ) at time t k (k = 1 to m) Is subjected to a short-time Fourier transform to generate distortion time / frequency domain data H (t k , f i ) (f is a frequency, k = 1 to m, i = 1 to n), and The short-time Fourier transform step to be stored is executed.
別の好ましい実施態様においては、前記接触力に関するデータが、時刻ｔｋの前後ａの範囲（ｔｋ−ａ〜ｔｋ＋ａ）の接触力データｆ（ｔｋ―ａ）〜ｆ（ｔｋ＋ａ）（ｋ＝１〜ｍ）であり、前記トロリ線の歪に関するデータが、歪データｈ（ｔｋ）（ｋ＝１〜ｍ）であり、
前記推定ステップにおいて、前記コンピュータに、
時刻ｔｋ（ｋ＝１〜ｍ）における歪の推定値データｈ’（ｔｋ）（ｋ＝１〜ｍ）を算出するステップを実行させる。
In another preferred embodiment, data relating to the contact force, the range around a time t k (t k-a ~t k + a) contacting force data f (t k-a) of ~f (t k + a) ( k = 1 to m), and the data regarding the distortion of the trolley wire is distortion data h (t k ) (k = 1 to m),
In the estimation step, the computer
A step of calculating the estimated value data h ′ (t k ) (k = 1 to m) of the distortion at time t k (k = 1 to m) is executed.
本発明によれば、正確な架線の情報を要することなく、パンタグラフの接触力を得られれば、トロリ線の歪を推定することができるシステムおよびプログラムを提供することが可能となる。 According to the present invention, it is possible to provide a system and a program that can estimate the distortion of a trolley wire if the contact force of a pantograph can be obtained without requiring accurate overhead line information.
以下、添付図面を参照して、本発明の実施の形態について説明する。まず、パンタグラフの構造および架線の構造について簡単に説明する。図１は、本実施の形態において、トロリ線の歪を推定するためにトロリ線と接触しつつ移動するパングラフの構造を示す機構図である。このパンタグラフ１は、舟体が単独のタイプである。図１に示すように、パンタグラフ１は、台座２に固定される。台座２は、碍子３を介して、鉄道車両の屋根４に固定される。なお、図１においては、上下は、車両の高さ方向に対応し、前後は、鉄道車両の走行するレールの長手方向に対応する。また、図示しないが、左右は、レールの長手方向に垂直な方向に対応する。 Embodiments of the present invention will be described below with reference to the accompanying drawings. First, the structure of the pantograph and the structure of the overhead line will be briefly described. FIG. 1 is a mechanism diagram showing a structure of a pangraph that moves while contacting a trolley line in order to estimate the distortion of the trolley line in the present embodiment. This pantograph 1 is a type with a single hull. As shown in FIG. 1, the pantograph 1 is fixed to a pedestal 2. The base 2 is fixed to the roof 4 of the railway vehicle via the insulator 3. In FIG. 1, the top and bottom correspond to the height direction of the vehicle, and the front and back correspond to the longitudinal direction of the rail on which the railway vehicle runs. Although not shown, the left and right correspond to the direction perpendicular to the longitudinal direction of the rail.
パンタグラフ１は、シングルアーム式であり、左右方向に沿って延びる舟体１２が設けられている。たとえば、舟体１２は、アルミニウム合金製であり、その上表面には、トロリ線５と直接接触する摺り板１２ａが貼り付けられている。摺り板１２ａは、たとえば、鉄系や銅系の焼結合金或いはカーボン系材料からなる。 The pantograph 1 is a single arm type and is provided with a boat body 12 extending along the left-right direction. For example, the boat body 12 is made of an aluminum alloy, and a sliding plate 12a that is in direct contact with the trolley wire 5 is attached to the upper surface thereof. The sliding plate 12a is made of, for example, an iron-based or copper-based sintered alloy or a carbon-based material.
舟体１２は、復元バネ１４により弾性支持される。復元バネ１４は、たとえば、ベローバネからなり、その上端が、舟体１２の下面に連結されるとともに、その下端が、舟支え１６に連結されている。 The boat body 12 is elastically supported by a restoring spring 14. The restoring spring 14 is composed of, for example, a bellow spring, and its upper end is connected to the lower surface of the boat body 12 and its lower end is connected to the boat support 16.
舟支え１６は、昇降運動を行う４節リンクを備えた昇降機構１８に連結されている。舟体１２は、昇降機構１８が上昇した後には、トロリ線５に押し付けられる。昇降機構１８のリンクは、前後方向に伸びる上枠２０を備えている。上枠２０の上端は、連結部２４を介して舟支え１６に連結され、下端側は、「く」の字状に屈曲された形状となっている。上枠２０の下端の「く」の字状の屈曲部には、第一節２６を介して下枠２８の上端が連結されている。 The boat support 16 is connected to an elevating mechanism 18 having a four-joint link that moves up and down. The boat body 12 is pressed against the trolley wire 5 after the elevating mechanism 18 is raised. The link of the elevating mechanism 18 includes an upper frame 20 that extends in the front-rear direction. The upper end of the upper frame 20 is connected to the boat support 16 via the connecting portion 24, and the lower end side is bent into a “<” shape. The upper end of the lower frame 28 is connected to the “<”-shaped bent portion at the lower end of the upper frame 20 via the first node 26.
舟支え１６の下端側と、下枠２８の上端とは、上枠２０の下方に配置された舟支えリンク３０で繋がれている。舟支えリンク３０は、舟支え１６およびその上に位置する舟体１２を正規の姿勢に保つ役割を果たす。上枠２０の下端には、第三節３２を介して釣り合い棒３４の上端が連結されている。釣り合い棒３４の下端は、第四節３６を介して、台枠２に固定された取付フランジ３８に連結されている。下枠２８の下端は、主軸（第二節）４０に連結されている。主軸４０は、台枠２に固定された取付フランジ４４に回動可能に支持されているとともに、台枠２に配置された主バネ４２に連結されている。主バネ４２は、パンタグラフ１に上昇力を与える。 The lower end side of the boat support 16 and the upper end of the lower frame 28 are connected by a boat support link 30 arranged below the upper frame 20. The boat support link 30 plays a role of keeping the boat support 16 and the boat body 12 positioned thereon in a normal posture. The upper end of a counter bar 34 is connected to the lower end of the upper frame 20 via a third bar 32. The lower end of the counter bar 34 is connected to a mounting flange 38 fixed to the frame 2 via a fourth node 36. A lower end of the lower frame 28 is connected to a main shaft (second node) 40. The main shaft 40 is rotatably supported by an attachment flange 44 fixed to the frame 2 and is connected to a main spring 42 disposed on the frame 2. The main spring 42 gives a rising force to the pantograph 1.
舟体１２を上昇させるためには、解除機構（図示せず）を解除して主バネ４２を縮める。これにより、主バネ４２の付勢力を受けて、下枠２８が主軸４０を支点として、図１のＵ方向に起き上がり、下枠２８の動きが第一節２６を介して上枠２０に伝達される。このときに、上枠２０は、第一節２６を支点として図１のＵ’方向に起き上がり、上端側が連結部２４を介して舟支え１６を持ち上げる。これにより、舟体１２は上昇し、その上面に貼り付けられた摺り板１２ａがトロリ線５に押し当てられる。 To raise the hull 12, the release mechanism (not shown) is released and the main spring 42 is contracted. Accordingly, the lower frame 28 rises in the U direction in FIG. 1 with the main shaft 40 as a fulcrum, under the urging force of the main spring 42, and the movement of the lower frame 28 is transmitted to the upper frame 20 via the first node 26. The At this time, the upper frame 20 rises in the U ′ direction of FIG. 1 with the first node 26 as a fulcrum, and the upper end side lifts the boat support 16 via the connecting portion 24. As a result, the boat body 12 rises, and the sliding plate 12 a attached to the upper surface thereof is pressed against the trolley wire 5.
その一方、舟体１２を下降させるためには、折り畳み用シリンダ（図示せず）により下枠２８を図１のＤ方向に下げる。これにより、上枠２０が図１のＤ’方向に回転し、これに伴って舟体１２が下降する。パンタグラフ１の折り畳み状態では、主バネ４２が伸びた状態となる。この状態で、カギ装置（図示せず）で舟支え１６をロックすることで、パンタグラフ１を折り畳み状態で保持することができる。 On the other hand, in order to lower the hull 12, the lower frame 28 is lowered in the direction D in FIG. 1 by a folding cylinder (not shown). As a result, the upper frame 20 rotates in the D ′ direction in FIG. 1, and the boat body 12 descends accordingly. In the folded state of the pantograph 1, the main spring 42 is in an extended state. In this state, the pantograph 1 can be held in a folded state by locking the boat support 16 with a key device (not shown).
パンタグラフは上記構造により、舟体１２が上昇した状態では、復元バネ１４、および、４節リンクの昇降機構の主バネ４２の付勢力により、ある接触力にてトロリ線に接触する。 Due to the above structure, the pantograph is brought into contact with the trolley wire with a certain contact force by the urging force of the restoring spring 14 and the main spring 42 of the lifting mechanism of the four-bar link when the boat body 12 is raised.
次に、架線の構造について説明する。図２は、架線の構造の一例を概略的に示す図である。図２に示すように、架線を支える支柱（図示せず）の支持点５０、５２の間に、吊架線５４が張設される。また、吊架線５４から等間隔で、ドロッパ（たとえば、符号５６、５８）が垂下している。ドロッパの下端は、横方向に延びる補助吊架線６０の連結されている。さらに、補助吊架線６０からは、上記ドロッパの間隔とは異なる間隔で、ハンガ（たとえば、符号６２、６４）が垂下している。ハンガの下端には、補助吊架線６０と並行に延びるトロリ線５が連結されている。他の例では、補助吊架線が省略される。この場合には、吊架線とトロリ線とが、ハンガにより連結される。このような構造の架線において、パンタグラフ１が、たとえば、図２の矢印方向に移動する。図１を参照して説明したように、パンタグラフ１は上昇力により上向きに付勢され、ある接触力でトロリ線５に接触するため、トロリ線に応力が作用する。トロリ線５に作用する応力によってトロリ線５には歪が生じる。前述したように、従来は、トロリ線５の所定の位置に、直接、歪ゲージを貼り付けて、その波形を記録していた。したがって、歪ゲージが貼り付けられた位置でだけ、波形の時間的変化を記録できていたが、それ以外の場所の歪を知ることができなかった。本実施の形態では、後述するように、パンタグラフ１がトロリ線５に接触しつつ移動するときのそれぞれの時刻ｔにおける歪を推定することが可能となる。すなわち、本実施の形態においては、パンタグラフ１の舟体１２がトロリ線５と接触して移動した状態において、それぞれの時刻における当該パンタグラフ１の舟体１２が接触した位置の接触力に基づいて、当該時刻におけるトロリ線の歪を推定するため、トロリ線において連続した歪の推定値を得ることが可能となる。 Next, the structure of the overhead wire will be described. FIG. 2 is a diagram schematically showing an example of the structure of the overhead wire. As shown in FIG. 2, a suspension line 54 is stretched between support points 50 and 52 of a column (not shown) that supports the overhead line. In addition, droppers (for example, reference numerals 56 and 58) hang from the suspension line 54 at equal intervals. The lower end of the dropper is connected to an auxiliary suspension line 60 extending in the lateral direction. Furthermore, hangers (for example, reference numerals 62 and 64) hang from the auxiliary suspension line 60 at intervals different from the intervals of the droppers. A trolley wire 5 extending in parallel with the auxiliary suspension wire 60 is connected to the lower end of the hanger. In another example, the auxiliary suspension line is omitted. In this case, the suspension line and the trolley line are connected by the hanger. In the overhead line having such a structure, the pantograph 1 moves, for example, in the direction of the arrow in FIG. As described with reference to FIG. 1, the pantograph 1 is urged upward by the ascending force and contacts the trolley wire 5 with a certain contact force, so that stress acts on the trolley wire. The trolley wire 5 is distorted by the stress acting on the trolley wire 5. As described above, conventionally, a strain gauge is directly attached to a predetermined position of the trolley wire 5 and its waveform is recorded. Therefore, the temporal change of the waveform could be recorded only at the position where the strain gauge was attached, but the strain at other locations could not be known. In the present embodiment, as will be described later, it is possible to estimate the distortion at each time t when the pantograph 1 moves while contacting the trolley line 5. That is, in the present embodiment, in a state where the hull 12 of the pantograph 1 is in contact with the trolley line 5 and moved, based on the contact force at the position where the hull 12 of the pantograph 1 is in contact at each time, Since the distortion of the trolley line at the time is estimated, it is possible to obtain an estimated value of continuous distortion in the trolley line.
図３は、本実施の形態にかかるトロリ線の歪推定システムの構成を示すブロックダイヤグラムである。図３に示すように、歪推定システム１００は、キーボードやマウスを含む入力装置１０２、表示装置１０４、入出力インタフェース（Ｉ／Ｆ）１０６、および、記憶装置１０８を備える、入出力Ｉ／Ｆ１０６は、図示しない外部ネットワークとのデータ通信を制御することもできる。また、歪推定システム１００は、ニューラルネットワークモデル（ＮＮモデル）を学習させる学習処理部１１０と、学習されたＮＮモデルに基づいて推定値を算出する推定値算出処理部１１２と、記憶装置に記憶された接触力や歪の時間軸のデータに、短時間フーリエ変換（ＳＴＦＴ）を施して、ある時間帯ごとの周波数成分（複素データ）を算出するとともに、周波数成分（周波数軸のデータ）に逆短時間フーリエ変換を施して、時間軸のデータを算出するフーリエ変換・逆変換処理部１２４とを備えている。 FIG. 3 is a block diagram showing the configuration of the trolley wire distortion estimation system according to the present embodiment. As shown in FIG. 3, the distortion estimation system 100 includes an input device 102 including a keyboard and a mouse, a display device 104, an input / output interface (I / F) 106, and a storage device 108. The input / output I / F 106 includes: It is also possible to control data communication with an external network (not shown). Further, the distortion estimation system 100 is stored in a storage device, a learning processing unit 110 that learns a neural network model (NN model), an estimated value calculation processing unit 112 that calculates an estimated value based on the learned NN model. The time axis data of contact force and strain is subjected to short-time Fourier transform (STFT) to calculate the frequency component (complex data) for each time zone, and the frequency component (frequency axis data) is inversely short. A Fourier transform / inverse transform processing unit 124 that performs time Fourier transform and calculates time-axis data is provided.
歪推定システム１００は、コンピュータに、歪推定プログラムをインストールすることにより実現され、コンピュータが、学習処理部１１０、推定値算出処理部１１２およびフーリエ変換・逆変換処理部１２４として機能する。 The distortion estimation system 100 is realized by installing a distortion estimation program in a computer, and the computer functions as a learning processing unit 110, an estimated value calculation processing unit 112, and a Fourier transform / inverse transformation processing unit 124.
図３に示すように、記憶装置１０８には、ＮＮモデルをシステム上で構築するためのデータであるＮＮモデルデータ１１４が含まれる。図４は、ニューラルネットワークを構成するニューロンモデルの例を示す図である。図４に示すように、ニューラルネットワークにおいては、ニューロン４００は、入力側で１以上の他のニューロンと結合される。ニューロン間の結合のそれぞれには重みが割り当てられ、入力が通る結合に対応する重みとの積（たとえば、「入力１×重み１」、「入力２×重み２」、「入力３×重み３」）が、ニューロン４００に与えられる。ニューロン４００においては、入力と対応する重みとの積の総和を算出して、閾値を減じた値に基づく出力関数により、出力する。したがって、ＮＮモデルデータ１１４には、ニューロン間の結合の情報、結合に関連付けられた重み、ニューロンの閾値が含まれる。結合に関連付けられた重みおよびニューロンの閾値は、後述する学習の間に随時更新されていく。 As illustrated in FIG. 3, the storage device 108 includes NN model data 114 that is data for building an NN model on the system. FIG. 4 is a diagram illustrating an example of a neuron model constituting the neural network. As shown in FIG. 4, in the neural network, the neuron 400 is coupled to one or more other neurons on the input side. Each of the connections between the neurons is assigned a weight, and the product of the weights corresponding to the connection through which the input passes (for example, “input 1 × weight 1”, “input 2 × weight 2”, “input 3 × weight 3”) ) Is provided to the neuron 400. In the neuron 400, the sum of the products of the input and the corresponding weight is calculated and output by an output function based on the value obtained by subtracting the threshold. Therefore, the NN model data 114 includes information on connections between neurons, weights associated with the connections, and neuron threshold values. The weights associated with the connections and the neuron threshold values are updated as needed during learning to be described later.
また、図３に示すように、記憶装置１０８には、学習用の接触力実測値データ群１１６と、学習用の歪実測値データ１１８群が格納される。これは、ＮＮモデルの学習の際に利用される。 As shown in FIG. 3, the storage device 108 stores a learning contact force actual value data group 116 and a learning strain actual value data 118 group. This is used when learning the NN model.
接触力実測値データ群１１６は、接触力実測値データと、後述するように、接触力実測値データにＳＴＦＴを施して算出した接触力実測値の時間・周波数領域データとを有する。たとえば、接触力実測値データは、パンタグラフ１の舟体１６に加速度計と歪ゲージを取り付けて、パンタグラフ１の舟体１６がトロリ線５に接触した状態で列車を走行させて測定したデータであっても良い。或いは、実際の架線の状態およびパンタグラフをモデルに置き換えてその運動方程式を作成して、それを解くこと、つまり、シミュレーションによって接触力実測値データを取得し、これを記憶装置１０８に格納しても良い。なお、本明細書において、実測値とは、シミュレーションにより得られた値、或いは、実際にパンタグラフやトロリ線に器具を取り付けて測定した値を含む。これは、学習後のＮＮモデルの出力層から出力される推定値と区別するために実測値と称している。学習用の接触力実測値データは、ある区間におけるパンタグラフの接触力に関するデータであり、学習用の歪実測値データは、当該区間におけるトロリ線の歪に関するデータである。また、推定用の接触力実測値データは、通常は他の区間におけるパンタグラフの接触力に関するデータであるが、得られた歪推定値データを検証するために、推定用の接触力実測値データとして、学習用の接触力実測値データを使用しても良い。 The contact force actual measurement value data group 116 includes contact force actual measurement value data and time / frequency domain data of the contact force actual measurement values calculated by applying STFT to the contact force actual measurement value data, as will be described later. For example, the measured contact force data is data obtained by measuring a pantograph 1 with an accelerometer and a strain gauge attached to the hull 16 and running the train with the hull 16 of the pantograph 1 in contact with the trolley wire 5. May be. Alternatively, the actual state of the overhead line and the pantograph may be replaced with a model, and the equation of motion may be created and solved, that is, the contact force measurement value data may be obtained by simulation and stored in the storage device 108. good. In the present specification, the actual measurement value includes a value obtained by simulation or a value actually measured by attaching an instrument to a pantograph or a trolley wire. This is referred to as an actual measurement value to distinguish it from the estimated value output from the output layer of the NN model after learning. The actual contact force value data for learning is data relating to the contact force of the pantograph in a certain section, and the actual strain value data for learning is data relating to the distortion of the trolley line in the relevant section. The contact force actual measurement data for estimation is usually data relating to the contact force of the pantograph in other sections, but in order to verify the obtained strain estimation data, as the contact force actual measurement data for estimation The contact force actual measurement data for learning may be used.
学習用の歪実測値データ群１１８も、歪実測値データと、歪実測値データにＳＴＦＴを施して算出した歪実測値の時間・周波数領域データとを有する。前述したようにトロリ線の歪の実測値を連続して得るのは困難である。そこで、トロリ線の歪も同様にシミュレーションにより算出し、歪実測値データ１１８として記憶装置１０８に記憶する。 The learned strain actual value data group 118 also includes strain actual value data and time / frequency domain data of strain actual values calculated by applying STFT to the strain actual value data. As described above, it is difficult to continuously obtain the actual measured value of the trolley wire distortion. Therefore, the distortion of the trolley wire is similarly calculated by simulation, and is stored in the storage device 108 as the actual distortion value data 118.
なお、本実施の形態では、シミュレーションにより車両を２７０ｋｍで走行させたサンプリング周波数１８７５Ｈｚとして５３１６個の学習サンプルを用意した。 In the present embodiment, 5316 learning samples are prepared with a sampling frequency of 1875 Hz obtained by running the vehicle at 270 km by simulation.
記憶装置１０８には、学習後のＮＮモデルを用いて、歪の推定値を得るために利用される、推定用の接触力実測値データ群が格納される。推定用の接触力実測値データ群も、接触力実測値データと、接触力実測値データに短時間フーリエ変換を施して算出した時間・周波数領域データとを有する。推定用の接触力実測値データも、パンタグラフ１の舟体１６に加速度計と歪ゲージを取り付けて走行した結果得られたものであっても良いし、シミュレーションにより得られたものであっても良い。 The storage device 108 stores a contact force actual measurement value data group for estimation that is used to obtain an estimated strain value using the learned NN model. The estimation contact force measurement value data group also includes contact force measurement value data and time / frequency domain data calculated by performing a short-time Fourier transform on the contact force measurement value data. The contact force measurement value data for estimation may be obtained as a result of traveling with an accelerometer and a strain gauge attached to the hull 16 of the pantograph 1 or may be obtained by simulation. .
以下、本実施の形態にて使用するパラメータを以下のように表す。 Hereinafter, parameters used in the present embodiment are expressed as follows.
ｆ（ｔｋ）（ｋ＝１〜ｍ）：時刻ｔｋにおける接触力実測値データ
Ｆ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）：時刻ｔｋにおける接触力実測値の時間・周波数領域データの周波数ｆｉ成分（複素数）
ｈ（ｔｋ）（ｋ＝１〜ｍ）：時刻ｔｋにおける学習用の歪実測値データ
Ｈ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）：時刻ｔｋにおける学習用の歪実測値の時間・周波数領域データの周波数ｆｉ成分（複素数）
Ｈ’（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）：時刻ｔｋにおける歪推定値の時間・周波数領域データの周波数ｆｉ成分（複素数）
ｈ’（ｔｋ）（ｋ＝１〜ｍ）：時刻ｔｋにおける歪推定値データ
フーリエ変換・逆変換処理部１２４は、記憶装置１０８から、接触力実測値データ群１１６中の接触力実測値データを読み出して、これにＳＴＦＴを施して、接触力実測値の時間・周波数領域データを算出し、算出された接触力実測値の時間・周波数領域データを記憶装置１０８に格納する。より詳細には、図５に示すように、フーリエ変換・逆変換処理部１２４は、記憶装置１０８の学習用の接触力実測値データから、ある時刻ｔｋおよびその前後所定時間のデータｆ（ｔｋ−ｊ）〜ｆ（ｔｋ＋ｊ）を取得し（ステップ５０１）、これら値に窓関数をかける（ステップ５０２）。窓関数として、たとえば、ガウシアンウィンドウを利用することができる。次いで、フーリエ変換・逆変換処理部１２４は、上述した窓関数が掛けられた値をフーリエ変換する（ステップ５０３）。これにより、複素数の接触力実測値の時間・周波数領域データＦ（ｔｋ，ｆｉ）が算出され、記憶装置１０８に記憶される（ステップ５０４）。その後、ｋをインクリメントして新たなｔｋについて、同様の演算（窓関数を掛けた後にフーリエ変換）を繰り返す（ステップ５０５〜５０６）。
f (t k ) (k = 1 to m): Contact force actual measurement data at time t k F (t k , f i ) (k = 1 to m, i = 1 to n): Contact force at time t k frequency f i components of the time-frequency domain data of the measured value (a complex number)
h (t k ) (k = 1 to m): strain actual measurement data for learning at time t k H (t k , f i ) (k = 1 to m, i = 1 to n): at time t k Frequency f i component (complex number) of time / frequency domain data of distortion measurement value for learning
H ′ (t k , f i ) (k = 1 to m, i = 1 to n): frequency f i component (complex number) of time / frequency domain data of the distortion estimated value at time t k
h ′ (t k ) (k = 1 to m): Strain estimated value data at time t k The Fourier transform / inverse transform processing unit 124 receives the contact force measured value in the contact force measured value data group 116 from the storage device 108. The data is read out and subjected to STFT to calculate time / frequency domain data of the actual contact force value, and the calculated time / frequency domain data of the actual contact force value is stored in the storage device 108. More specifically, as shown in FIG. 5, the Fourier transform and inverse transform unit 124, the contact force measured value data for learning of the storage device 108, a certain time t k and before and after the predetermined time of the data f (t k−j ) to f (t k + j ) are acquired (step 501), and a window function is applied to these values (step 502). As the window function, for example, a Gaussian window can be used. Next, the Fourier transform / inverse transform processing unit 124 performs Fourier transform on the value multiplied by the window function described above (step 503). Thereby, the time / frequency domain data F (t k , f i ) of the complex contact force actual measurement value is calculated and stored in the storage device 108 (step 504). Then, k is incremented for the new t k, it repeats the same operations (Fourier transform after multiplication by the window function) (step 505-506).
学習用の歪実測値データについても、フーリエ変換・逆変換処理部１２４が、図５と同様の処理を実行して、歪実測値の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）を生成し、記憶装置１０８に記憶する。推定用の接触力実測値データについても、フーリエ変換・逆変換処理部１２４が、図５と同様の処理を実行して、接触力実測値の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）を生成し、記憶装置１０８に記憶する。 For the distortion actual measurement value data for learning, the Fourier transform / inverse transform processing unit 124 executes the same processing as that in FIG. 5 to obtain the time / frequency domain data H (t k , f i ) (k = 1 to m, i = 1 to n) are generated and stored in the storage device 108. Also for the contact force actual measurement value data for estimation, the Fourier transform / inverse transform processing unit 124 executes the same processing as in FIG. 5, and the time / frequency domain data F (t k , f i ) of the contact force actual measurement value. (K = 1 to m, i = 1 to n) are generated and stored in the storage device 108.
このようにして得られた学習用の接触力実測値の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）、および、学習用の歪実測値の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）を利用して、ＮＮモデルを学習させて、ニューロン間の結合に関連付けられた重みを適したものにする。 The time / frequency domain data F (t k , f i ) (k = 1 to m, i = 1 to n) of the contact force actual value for learning obtained in this way, and the strain actual value for learning The time / frequency domain data H (t k , f i ) (k = 1 to m, i = 1 to n) is used to learn the NN model, and the weight associated with the connection between neurons is suitable. Make it.
図６は、学習時のＮＮモデルの構造を模式的に示す図である。図６に示すように、接触力実測値の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）が、それぞれ入力層のニューロンに入力され、入力成分は中間層のニューロンを伝搬して出力層のニューロンに達する。その一方、教師信号として、歪実測値の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）が出力層のニューロンに与えられ、複素誤差伝搬法（複素ＢＰ(Back Propagation)法）により誤差成分が中間層のニューロンを出力層から入力層に向かって逆向きに伝搬し、ニューロン間の結合に関連付けられた重みなどが修正される。 FIG. 6 is a diagram schematically showing the structure of the NN model at the time of learning. As shown in FIG. 6, time / frequency domain data F (t k , f i ) (k = 1 to m, i = 1 to n) of actual contact force values are input to the neurons of the input layer, respectively, and input The component propagates through the neurons in the intermediate layer and reaches the neurons in the output layer. On the other hand, time / frequency domain data H (t k , f i ) (k = 1 to m, i = 1 to n) of measured distortion values are given to the neurons in the output layer as teacher signals, and the complex error propagation method (Complex BP (Back Propagation) method) causes error components to propagate through the neurons in the intermediate layer in the opposite direction from the output layer to the input layer, and the weight associated with the connection between the neurons is corrected.
複素ＢＰ法は、たとえば、「高次元ニューラルネットワーク関連研究の現状」（新田徹、田中勝著、電子技術総合研究所調査報告第２２８号 １９９９年４月１６日）、「高次元化されたパラメータを持つ階層型ニューラルネットワークの研究」（電子技術総合研究所研究報告、１９９５年１１月）にその詳細が記載されている。 The complex BP method is, for example, “Current State of Research Related to High-Dimensional Neural Networks” (Toru Nitta, Masaru Tanaka, Research Report No. 228 of Electronic Technology Research Institute April 16, 1999) The details are described in “Research of Hierarchical Neural Network with Parameters” (Research Report of Electronic Technology Research Institute, November 1995).
上述したように、本実施の形態において、接触力実測値の時間・周波数領域データから歪推定値の時間・周波数領域データを推定するために、ニューラルネットとして、複素ＢＰネットワークが使用される。以下、複素ＢＰネットワークについて簡単に説明する。 As described above, in the present embodiment, a complex BP network is used as a neural network in order to estimate time / frequency domain data of strain estimation values from time / frequency domain data of actual contact force values. Hereinafter, the complex BP network will be briefly described.
複素ＢＰネットワークにおいては、以下の変数が使用される。なお、以下の変数の添え字は、複素ＢＰネットワークの説明の限りのものでえる。 In a complex BP network, the following variables are used: Note that the subscripts of the following variables are the same as those in the description of the complex BP network.
Ｕｊ：中間複素ニューロンｊの内部ポテンシャル
Ｓｋ：出力複素ニューロンｋの内部ポテンシャル
Ｉｉ：入力複素ニューロンｉの出力値
Ｈｊ：中間複素ニューロンｊの出力値
Ｏｋ：出力複素ニューロンｋの出力値
ｗｊｉ：入力複素ニューロンｉと中間複素ニューロンｊ間の結合の重み
ｖｋｊ：中間複素ニューロンｊと出力複素ニューロンｋ間の結合の重み
θｊ：中間複素ニューロンｊがもつ閾値
γｋ：出力複素ニューロンｋがもつ閾値
Ｔｋ：出力複素ニューロンｋに対する教師パターン
δｋ：出力複素ニューロンｋの誤差
Ｅｐ：複素パターンｐに対する二乗誤差
ニューロンの入力信号ｚｊに対して、出力信号ｆＣ（ｚｊ）は以下の（１）式のように定義される。
U j : Internal potential of intermediate complex neuron j S k : Internal potential of output complex neuron k I i : Output value of input complex neuron i H j : Output value of intermediate complex neuron j O k : Output value of output complex neuron k w ji : Weight of connection between input complex neuron i and intermediate complex neuron j v kj : Weight of connection between intermediate complex neuron j and output complex neuron k θ j : Threshold value of intermediate complex neuron j γ k : Output complex neuron Threshold of k T k : Teacher pattern for output complex neuron k δ k : Error of output complex neuron k E p : Square error for complex pattern p Output signal f C (z j ) for neuron input signal z j Is defined as the following equation (1).
ｆＣ（ｚｊ）＝ｆＲ（ｘｊ）＋ｉｆＲ（ｙｊ） ｚｊ＝ｘｊ＋ｉｙｊ
・・・・（１）
ただし、ｆＲ（ｕ）＝１／（１＋ｅ−ｕ）である。
f C (z j ) = f R (x j ) + if R (y j ) z j = x j + iy j
(1)
However, f R (u) = 1 / (1 + e −u ).
簡単のために、３層のニューラルネットワークを考えると、中間層および出力層のニューロンの内部ポテンシャルは、それぞれ、（２）式、（３）式とおける。 For simplicity, when considering a three-layer neural network, the internal potentials of the neurons in the intermediate layer and the output layer can be expressed by equations (2) and (3), respectively.
Ｈｊ＝ｆＣ（Ｕｊ） ・・・・（４）
Ｏｋ＝ｆＣ（Ｓｋ） ・・・・（５）
ここで、出力複素ニューロンｋに対する教師パターンＴｋと、出力複素ニューロンｋの出力値Ｏｋとの差は、（６）式に示すものとなる。
H j = f C (U j ) (4)
O k = f C (S k ) (5)
Here, the difference between the teacher pattern T k for the output complex neuron k and the output value O k of the output complex neuron k is expressed by equation (6).
δｋ＝Ｔｋ−Ｏｋ ・・・・（６）
複素パターンｐに対する二乗誤差を、（７）式のように定義する。
δ k = T k −O k (6)
A square error with respect to the complex pattern p is defined as shown in Equation (7).
このニューラルネットワークの学習の際の重みと閾値の修正アルゴリズムにおいて、学習率εを十分小さくとると、各重みと閾値の修正量は、（８）式〜（１１）式に示すようになる。 In this weight and threshold value correction algorithm for learning of the neural network, if the learning rate ε is sufficiently small, the correction amounts of the weights and the threshold values are as shown in equations (8) to (11).
図７は、学習時に歪推定システムにより実行される処理を概略的に示すフローチャートである。図７に示すように、学習処理部１１０は、記憶装置１０８からＮＮモデルデータを読み出し（ステップ７０１）、まず、各ニューロン間の結合に関連付けられた重みの初期値として、乱数を用いた小さい値を付与する（ステップ７０２）。次いで、パラメータｋを初期化して（ステップ７０３）、入力層に、接触力実測値の時間・周波数領域データＦ（ｔｋ，ｆｉ）を与える形で、演算を実行する（ステップ７０４）。演算においては、学習処理部１１０は、入力信号が出力層に向けて伝搬されるように、順次、入力信号と結合の重みとの積を算出し、各ニューロンについて積の総和を算出して、閾値を超えたか否かを判断する。あるニューロンについて閾値を超えていると判断された場合には、ニューロンを発火させて、所定の値の信号を結合されたニューロンに対して出力する。 FIG. 7 is a flowchart schematically showing processing executed by the distortion estimation system during learning. As shown in FIG. 7, the learning processing unit 110 reads the NN model data from the storage device 108 (step 701), and first, a small value using a random number as an initial value of the weight associated with the connection between the neurons. (Step 702). Next, the parameter k is initialized (step 703), and the calculation is executed in such a manner that the time / frequency domain data F (t k , f i ) of the contact force measurement value is given to the input layer (step 704). In the calculation, the learning processing unit 110 sequentially calculates the product of the input signal and the connection weight so that the input signal is propagated toward the output layer, calculates the sum of the products for each neuron, It is determined whether or not a threshold value has been exceeded. When it is determined that the threshold value is exceeded for a certain neuron, the neuron is fired and a signal having a predetermined value is output to the coupled neuron.
また、学習処理部１１０は、出力層に、歪実測値の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）を与える形で、誤差逆伝搬法により、各ニューロン間の結合に関連付けられた重みを学習させ（ステップ７０５）、各ニューロン間の結合に関連付けられた重み、および、各ニューロンの閾値を更新し、更新された重みおよび閾値を、記憶装置１０８に一時的に記憶する（ステップ７０６）。ステップ７０３〜７０５の処理を、全てのｔｋについて実行する（ステップ７０７、７０８参照）。本実施の形態においては、さらに、ステップ７０３〜ステップ７０８を、所定の回数だけ繰り返す（ステップ７０９参照）。このような繰り返しにより、ＮＮモデルにおいて入力信号と教師信号との間の関係が学習され、各ニューロン間の結合に関連付けられた重みや各ニューロンの閾値が適切な値となる。 Further, the learning processing unit 110 gives the error propagation back to the output layer by giving the time / frequency domain data H (t k , f i ) (k = 1 to m, i = 1 to n) of the distortion actual measurement value. To learn the weights associated with the connections between each neuron (step 705), update the weights associated with the connections between each neuron, and the threshold for each neuron, and The data is temporarily stored in the storage device 108 (step 706). The processing of steps 703 to 705 is executed for all t k (see step 707 and 708). In the present embodiment, step 703 to step 708 are further repeated a predetermined number of times (see step 709). By such repetition, the relationship between the input signal and the teacher signal is learned in the NN model, and the weight associated with the connection between the neurons and the threshold value of each neuron become appropriate values.
学習により、各ニューロン間の結合に関連付けられた重みや各ニューロンの閾値が適切なものなり、これら値が記憶装置１０８にＮＮモデルデータ１１４として格納される。この状態で、推定値算出処理部１１２は、ＮＮモデルデータ１１４および推定用の接触力実測値の時間・周波数領域データに基づいて、歪推定値の時間・周波数領域データを算出する。図８は、推定時のＮＮモデルの構造を模式的に示す図である。図８に示すように、接触力実測値の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）が、それぞれ入力層のニューロンに入力され、入力成分は中間層のニューロンを伝搬して出力層のニューロンに達する。出力層からは、歪推定値の時間・周波数領域データＨ’（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）が出力される。 By learning, the weights associated with the connections between the neurons and the threshold values of the neurons become appropriate, and these values are stored in the storage device 108 as the NN model data 114. In this state, the estimated value calculation processing unit 112 calculates the time / frequency domain data of the estimated strain value based on the NN model data 114 and the time / frequency domain data of the estimated contact force measured value. FIG. 8 is a diagram schematically showing the structure of the NN model at the time of estimation. As shown in FIG. 8, time / frequency domain data F (t k , f i ) (k = 1 to m, i = 1 to n) of actual contact force values are input to the neurons of the input layer, respectively. The component propagates through the neurons in the intermediate layer and reaches the neurons in the output layer. From the output layer, time / frequency domain data H ′ (t k , f i ) (k = 1 to m, i = 1 to n) of the estimated distortion value is output.
図９は、推定時に歪推定システムにより実行される処理を概略的に示すフローチャートである。図９に示すように、推定値算出処理部１１２は、記憶装置１０８からＮＮモデルデータを読み出し（ステップ９０１）、処理に使用するパラメータｋを初期化する（ステップ９０２）。次いで、推定値算出処理部１１２は、入力層に、接触力実測値の時間・周波数領域データＦ（ｔｋ，ｆｉ）を与える形で、演算を実行する（ステップ９０３）。演算においては、学習処理部１１０は、入力信号が出力層に向けて伝搬されるように、順次、入力信号と結合の重みとの積を算出し、各ニューロンについて積の総和を算出して、閾値を超えたか否かを判断する。あるニューロンについて閾値を超えていると判断された場合には、ニューロンを発火させて、所定の値の信号を出力する。入力層から出力層に向けて、順次、信号の重み付け、ニューロンにおける総和の算出、閾値との比較および信号の出力を繰り返すことにより、出力層から、歪推定値の時間・周波数領域データＨ（ｔｋ，ｆｉ）が出力される。この歪推定値の時間・周波数領域データＨ（ｔｋ，ｆｉ）は、歪推定値データ群１２２の部分として記憶装置１０８に記憶される（ステップ９０４）。推定値算出処理部１１２は、ステップ９０３および９０４の処理を、全てのｔｋについて実行する（ステップ９０５、９０６参照）。 FIG. 9 is a flowchart schematically showing processing executed by the distortion estimation system during estimation. As shown in FIG. 9, the estimated value calculation processing unit 112 reads the NN model data from the storage device 108 (step 901), and initializes a parameter k used for processing (step 902). Next, the estimated value calculation processing unit 112 performs an operation in such a manner that the time / frequency domain data F (t k , f i ) of the actual contact force value is given to the input layer (step 903). In the calculation, the learning processing unit 110 sequentially calculates the product of the input signal and the connection weight so that the input signal is propagated toward the output layer, calculates the sum of the products for each neuron, It is determined whether or not a threshold value has been exceeded. If it is determined that a certain neuron exceeds the threshold, the neuron is fired and a signal having a predetermined value is output. From the output layer to the output layer, the time and frequency domain data H (t of the distortion estimation value are repeatedly output from the output layer by sequentially repeating signal weighting, calculation of the summation in neurons, comparison with a threshold value, and signal output. k, f i) is output. The time / frequency domain data H (t k , f i ) of this distortion estimated value is stored in the storage device 108 as a part of the distortion estimated value data group 122 (step 904). Estimate calculation unit 112, the processing of steps 903 and 904, is performed for all the t k (see step 905 and 906).
このようにして、歪推定値の時間・周波数領域データＨ’（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）が得られ、これらデータが記憶装置１０８に記憶される。歪推定値の時間・周波数領域データは、周波数成分（周波数軸のデータ）に分解された状態であるため、これに逆短時間フーリエ変換を施すことで、歪推定値データｈ’（ｔｋ）を求めることができる。図９に示すように、フーリエ変換・逆変換処理部１２４は、記憶装置１０８から、歪推定値データ群１２２中、歪推定値フーリエ変換データを読み出し（ステップ９０７）、処理に使用するパラメータｋを初期化する（ステップ９０８）。 In this way, the time / frequency domain data H ′ (t k , f i ) (k = 1 to m, i = 1 to n) of the distortion estimation value is obtained, and these data are stored in the storage device 108. . Since the time / frequency domain data of the distortion estimated value is in a state of being decomposed into frequency components (frequency axis data), the distortion estimated value data h ′ (t k ) is obtained by performing inverse short-time Fourier transform on this. Can be requested. As shown in FIG. 9, the Fourier transform / inverse transform processing unit 124 reads out the distortion estimated value Fourier transform data from the storage estimated value data group 122 from the storage device 108 (step 907), and sets the parameter k used for the processing. Initialization is performed (step 908).
次いで、フーリエ変換・逆変換処理部１２４は、歪推定値フーリエ変換データＨ’（ｔｋ，ｆｉ）に、逆短時間フーリエ変換を施して（ステップ９０９）、逆短時間フーリエ変換により得られた歪推定値データｈ’（ｔｋ）を、歪推定値データ群１２２の部分として記憶装置１０８に記憶する（ステップ９１０）。フーリエ変換・逆変換処理部１２４は、ステップ９０９、９１０の処理を、全てのｔｋについて実行する（ステップ９１１、９１２参照）。これにより、時間軸のデータである歪推定値データを記憶装置１０８中に記憶することができる。 Next, the Fourier transform / inverse transform processing unit 124 performs inverse short-time Fourier transform on the distortion estimated value Fourier transform data H ′ (t k , f i ) (step 909), and is obtained by inverse short-time Fourier transform. The distortion estimated value data h ′ (t k ) is stored in the storage device 108 as a part of the distortion estimated value data group 122 (step 910). Fourier transform and inverse transform unit 124, the processing of steps 909 and 910, is performed for all the t k (see step 911 and 912). As a result, it is possible to store the estimated distortion value data, which is time-axis data, in the storage device 108.
図１０は、シミュレーションにより車両を２７０ｋｍで走行させたサンプリング周波数１８７５Ｈｚとして５３１６個の学習サンプル（接触力実測値データおよび歪実測値データ）を用意し、これらを用いて学習を行った後、同じサンプル（接触力実測値データ）を用いて、歪推定値データを得た例を示す。上段に示す歪（歪推定値データ）において、シミュレーションにより得られた教師信号と、学習後に行った歪推定値データ（推定結果）とを比較すると、教師信号と推定結果は、ほぼ一致していることがわかる。 FIG. 10 shows 5316 learning samples (actual force measurement value data and strain measurement value data) prepared at a sampling frequency of 1875 Hz obtained by running the vehicle at 270 km by simulation. An example of obtaining strain estimation value data using (contact force actual measurement value data) is shown. In the distortion (distortion estimation value data) shown in the upper part, when the teacher signal obtained by simulation and the distortion estimation value data (estimation result) obtained after learning are compared, the teacher signal and the estimation result are almost the same. I understand that.
図１１は、図１０に示すような学習を経たＮＮモデルを用いて、他の条件の下でシミュレーションにより得られた接触力実測値データを用いて、歪推定値データを得た例を示す。なお、比較のため、上記他の条件の下でのシミュレーションにより得られた歪実測値データを理論値として示した。図１１の例では、図１０に示す例で学習したＮＮモデルを適用しているが、理論値と、歪推定値データ（推定結果）とが非常によく一致していることがわかる。通常、歪は、最大値が問題となるため、正確な最大値が得られれば、極小値の誤差は問題にならない。図１１の例によれば、接触力が著大な値を示している部分についても、トロリ線歪は適切な値で推定されており、本手法の有効性を裏付けている。 FIG. 11 shows an example in which strain estimation value data is obtained using contact force actual measurement data obtained by simulation under other conditions, using the NN model that has undergone learning as shown in FIG. For comparison, the strain actual value data obtained by the simulation under the other conditions are shown as theoretical values. In the example of FIG. 11, the NN model learned in the example shown in FIG. 10 is applied, but it can be seen that the theoretical value and the distortion estimation value data (estimation result) are in good agreement. Usually, the maximum value of distortion becomes a problem, and if an accurate maximum value is obtained, the error of the minimum value does not become a problem. According to the example of FIG. 11, the trolley line distortion is estimated with an appropriate value even in the portion where the contact force shows a significant value, which supports the effectiveness of the present method.
上述したように、本実施の形態によれば、ある区間におけるパンタグラフの接触力実測値データおよび同じ区間における歪実測値データに基づいて、ＮＮモデルを学習させ、適切な、ＮＮモデルにおける各ニューロン間の結合に関連付けられた重みおよび各ニューロンの閾値を記憶装置に記憶しておけば、他の区間におけるパンタグラフの接触力実測値データをＮＮモデルの入力層に与えることで、当該区間における適切な歪推定値データを取得することが可能となる。 As described above, according to the present embodiment, the NN model is learned based on the contact force actual measurement data of the pantograph in a certain section and the strain actual measurement data in the same section, and the appropriate inter-neuron between the neurons in the NN model is determined. If the weights associated with the connections and the threshold values of each neuron are stored in the storage device, the pantograph contact force measured value data in the other section is given to the input layer of the NN model, so that the appropriate distortion in the section can be obtained. It is possible to acquire estimated value data.
本発明は、以上の実施の形態に限定されることなく、特許請求の範囲に記載された発明の範囲内で、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。 The present invention is not limited to the above embodiments, and various modifications can be made within the scope of the invention described in the claims, and these are also included in the scope of the present invention. Needless to say.
前記実施の形態においては、
Ｆ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）：時刻ｔｋにおける接触力実測値の時間・周波数領域データの周波数ｆｉ成分（複素数）
Ｈ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）：時刻ｔｋにおける学習用の歪実測値の時間・周波数領域データの周波数ｆｉ成分（複素数）
を利用してＮＮモデルを学習させ、推定の際には、
Ｆ（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）：時刻ｔｋにおける接触力実測値の時間・周波数領域データの周波数ｆｉ成分（複素数）
を入力層に与え、出力層から、
Ｈ’（ｔｋ，ｆｉ）（ｋ＝１〜ｍ、ｉ＝１〜ｎ）：時刻ｔｋにおける歪推定値の時間・周波数領域データの周波数ｆｉ成分（複素数）
が出力されるように構成した。しかしながら上述した構成に限定されるものではない。
In the above embodiment,
F (t k , f i ) (k = 1 to m, i = 1 to n): frequency f i component (complex number) of time / frequency domain data of the contact force actual measurement value at time t k
H (t k , f i ) (k = 1 to m, i = 1 to n): frequency f i component (complex number) of time / frequency domain data of the distortion actual measurement value for learning at time t k
Is used to learn the NN model.
F (t k , f i ) (k = 1 to m, i = 1 to n): frequency f i component (complex number) of time / frequency domain data of the contact force actual measurement value at time t k
From the output layer,
H ′ (t k , f i ) (k = 1 to m, i = 1 to n): frequency f i component (complex number) of time / frequency domain data of the distortion estimated value at time t k
Was configured to be output. However, it is not limited to the configuration described above.
たとえば、入力層として、
ｆ（ｔｋ-a）〜ｆ（ｋ＋a）（ｋ＝１〜ｍ）：時刻ｔｋ−ａ〜ｔｋ＋ａにおける接触力実測値データを使用し、出力層として、
ｈ（ｔｋ）：時刻ｔｋにおける歪推定値データが出力されるように構成しても良い。つまり、この例では、ある時刻ｔｋを中心とする一定範囲の（複数の）接触力実測値から、入力信号を、ＮＮモデルのニューロンを伝搬させることで、ある時刻ｔｋにおける（単一の）歪推定値が得られる。
For example, as an input layer,
f (t k−a ) to f ( k + a ) (k = 1 to m): Using the contact force actual measurement data at time t k−a to t k + a ,
h (t k ): The distortion estimated value data at time t k may be output. That is, in this example, a (plurality of) the contact force measured value of a certain range around a certain time t k, the input signal, by propagating neurons NN model, at a certain time t k (single ) A distortion estimate is obtained.
図１２は、本発明の他の実施の形態にかかる学習時のＮＮモデルの構造を模式的に示す図である。図１２に示すように、時刻ｔｋの前後ａの範囲（ｔｋ−ａ〜ｔｋ＋ａ）の接触力実測値データｆ（ｔｋ―ａ）〜ｆ（ｔｋ＋ａ）（ｋ＝１〜ｍ）が、それぞれ入力層のニューロンに入力され、入力成分は中間層のニューロンを伝搬して出力層のニューロンに達する。その一方、教師信号として、歪実測値データｈ（ｔｋ）（ｋ＝１〜ｍ）を出力層のニューロンに与え、誤差伝搬法（ＢＰ(Back Propagation)法）により誤差成分が中間層のニューロンを出力層から入力層に向かって逆向きに伝搬し、ニューロン間の結合に関連付けられた重みおよびニューロンの閾値が修正される。 FIG. 12 is a diagram schematically showing the structure of the NN model during learning according to another embodiment of the present invention. As shown in FIG. 12, the range around a time t k (t k-a ~t k + a) of the contact force measured value data f (t k-a) ~f (t k + a) (k = 1~m) Are input to the neurons in the input layer, and the input component propagates through the neurons in the intermediate layer and reaches the neurons in the output layer. On the other hand, the distortion measurement value data h (t k ) (k = 1 to m) is given as a teacher signal to the neurons in the output layer, and the error component is detected by the error propagation method (BP (Back Propagation) method). Are propagated backwards from the output layer to the input layer, and the weights and neuronal thresholds associated with connections between neurons are modified.
図１３は、本発明の他の実施の形態にかかる推定時のＮＮモデルの構造を模式的に示す図である。図８に示すように、時刻ｔｋの前後ａの範囲（ｔｋ−ａ〜ｔｋ＋ａ）の接触力実測値データｆ（ｔｋ―ａ）〜ｆ（ｔｋ＋ａ）（ｋ＝１〜ｍ）が、それぞれ入力層のニューロンに入力され、入力成分は中間層のニューロンを伝搬して出力層のニューロンに達する。出力層からは、歪推定値データｈ’（ｔｋ）（ｋ＝１〜ｍ）が出力される。 FIG. 13 is a diagram schematically showing the structure of the NN model at the time of estimation according to another embodiment of the present invention. As shown in FIG. 8, the contact force actual measurement data f (t k−a ) to f (t k + a ) (k = 1 to m) in the range (t k−a to t k + a ) before and after the time t k. Are input to the neurons in the input layer, and the input component propagates through the neurons in the intermediate layer and reaches the neurons in the output layer. Distortion estimation value data h ′ (t k ) (k = 1 to m) is output from the output layer.
上記他の実施の形態では、ＳＴＦＴを施したスペクトルの情報（周波数成分）の代わりに、実測値データそのものが利用されるため、短時間フーリエ変換処理（図５）および出力層の推定値に対する逆短時間フーリエ変換処理（図９のステップ９０７以降）は行われない。他の実施の形態においても、学習処理において、学習処理部１１０が、ＮＮモデルデータ中、ニューロン間の結語に関連付けられた重みを初期化する（ステップ７０２）。その後、学習処理部１１０は、それぞれのｔｋ（ｋ＝１〜ｍ）について、入力層に、時間ｔｋの前後ａの範囲の、学習用の接触力実測値データｆ（ｔｋ―ａ）〜ｆ（ｔｋ＋ａ）を与える形で、演算を実行する（ステップ７０４）。演算においては、学習処理部１１０は、入力信号が出力層に向けて伝搬されるように、順次、入力信号と結合の重みとの積を算出し、各ニューロンについて積の総和を算出して、閾値を超えたか否かを判断する。あるニューロンについて閾値を超えていると判断された場合には、ニューロンを発火させて、所定の値の信号を出力する。また、学習処理部１１０は、出力層に、歪実測値データｈ（ｔｋ）を与える形で、誤差逆伝搬法により、各ニューロン間の結合に関連付けられた重みを学習させ（ステップ７０５）、各ニューロン間の結合に関連付けられた重み、および、各ニューロンの閾値を更新し、更新された重みおよび閾値を、記憶装置１０８に一時的に記憶する（ステップ７０６）。また、上述した処理ステップ（ステップ７０３〜７０９）を所定回数（たとえば６０００回）繰り返すことも、先に説明した実施の形態と同様である。 In the other embodiments described above, the actual measurement value data itself is used instead of the spectrum information (frequency component) subjected to STFT. Therefore, the short-time Fourier transform process (FIG. 5) and the inverse of the output layer estimation value are used. The short-time Fourier transform process (after step 907 in FIG. 9) is not performed. Also in other embodiments, in the learning process, the learning processing unit 110 initializes the weight associated with the conclusion between the neurons in the NN model data (step 702). After that, the learning processing unit 110, for each t k (k = 1 to m), in the input layer, the actual measured contact force data f (t k−a ) for learning in the range a before and after the time t k. The calculation is performed in a form giving ~ f (t k + a ) (step 704). In the calculation, the learning processing unit 110 sequentially calculates the product of the input signal and the connection weight so that the input signal is propagated toward the output layer, calculates the sum of the products for each neuron, It is determined whether or not a threshold value has been exceeded. If it is determined that a certain neuron exceeds the threshold, the neuron is fired and a signal having a predetermined value is output. Further, the learning processing unit 110 learns the weight associated with the connection between the neurons by the error back propagation method in the form of giving the distortion actual measurement value data h (t k ) to the output layer (step 705), The weight associated with the connection between each neuron and the threshold value of each neuron are updated, and the updated weight and threshold value are temporarily stored in the storage device 108 (step 706). Further, the above-described processing steps (steps 703 to 709) are repeated a predetermined number of times (for example, 6000 times) as in the above-described embodiment.
推定の際にも、推定値算出処理部１１２は、記憶装置１０８からＮＮモデルデータを読み出す（ステップ９０１）。また、それぞれのｔｋ（ｋ＝１〜ｍ）について、推定値算出処理部１１２は、時間ｔｋの前後ａの範囲の、推定用の接触力実測値データｆ（ｔｋ―ａ）〜ｆ（ｔｋ＋ａ）を与える形で、演算を実行する(ステップ９０３)。演算においては、学習処理部１１０は、入力信号が出力層に向けて伝搬されるように、順次、入力信号と結合の重みとの積を算出し、各ニューロンについて積の総和を算出して、閾値を超えたか否かを判断する。あるニューロンについて閾値を超えていると判断された場合には、ニューロンを発火させて、所定の値の信号を出力する。入力層から出力層に向けて、順次、信号の重み付け、ニューロンにおける総和の算出、閾値との比較および信号の出力を繰り返すことにより、出力層から、歪推定値データｈ（ｔｋ）が出力される。この歪推定値データｈ（ｔｋ）は、歪推定値データ群１２２として記憶装置１０８に記憶される（ステップ９０４）。 Also in the estimation, the estimated value calculation processing unit 112 reads the NN model data from the storage device 108 (step 901). For each t k (k = 1 to m), the estimated value calculation processing unit 112 calculates the estimated contact force measured value data f (t k−a ) to f in the range before and after the time t k. The operation is executed in the form of giving (t k + a ) (step 903). In the calculation, the learning processing unit 110 sequentially calculates the product of the input signal and the connection weight so that the input signal is propagated toward the output layer, calculates the sum of the products for each neuron, It is determined whether or not a threshold value has been exceeded. If it is determined that a certain neuron exceeds the threshold, the neuron is fired and a signal having a predetermined value is output. Sequential distortion data h (t k ) is output from the output layer by sequentially repeating signal weighting, summation calculation in neurons, comparison with threshold values, and signal output from the input layer to the output layer. The The estimated strain value data h (t k ) is stored in the storage device 108 as the estimated strain value data group 122 (step 904).
他の実施の形態では、短時間フーリエ変換および逆短時間フーリエ変換を要しないため処理を単純化することができる。 In another embodiment, the processing can be simplified because the short-time Fourier transform and the inverse short-time Fourier transform are not required.
１ パンタグラフ
５ トロリ線
１００ 歪推定システム
１０８ 記憶装置
１１０ 学習処理部
１１２ 推定値算出処理部
１１４ ＮＮモデルデータ
１１６ 学習用の接触力実測値データ群
１１８ 歪実測値データ群
１２０ 推定用の接触力実測値データ群
１２２ 歪推定値データ群
１２４ フーリエ変換・逆変換処理部
DESCRIPTION OF SYMBOLS 1 Pantograph 5 Trolley line 100 Strain estimation system 108 Storage device 110 Learning processing unit 112 Estimated value calculation processing unit 114 NN model data 116 Contact force actual value data group for learning 118 Strain actual value data group 120 Estimated contact force actual value Data group 122 Distortion estimation value data group 124 Fourier transform / inverse transform processing unit
Claims (8)
学習用の、第１の所定区間におけるパンタグラフの舟体とトロリ線との間の接触力に関するデータと、当該第１の所定区間における前記パンタグラフの通過に伴うトロリ線の歪に関するデータと、推定用の、第２の所定区間におけるパンタグラフの舟体とトロリ線との間の接触力に関するデータと、ニューラルネットワークのモデルについて、当該ニューラルネットワークを構成する各ニューロン間の結合に関連付けられた重み、および、各ニューロンの閾値を含むニューラルネットワークモデルデータと、を記憶した記憶装置と、
ニューラルネットワークモデルデータに含まれる重みおよび閾値を適切な値にする学習手段であって、
前記記憶装置に記憶された、初期的なニューラルネットワークモデルデータを読み出して、前記ニューラルネットワークモデルの入力層に、前記学習用の接触力に関するデータを与え、入力層から中間層を経て出力層に向けて、順次、前記ニューラルネットワークモデルデータにおけるニューロンの結合にしたがって、入力層により近い側のニューロンからの信号と当該結合に関連付けられた重みとの乗算結果の総和から閾値を減じた値に基づく出力関数により、出力値を算出し、当該出力値を出力層の側に結合されたニューロンに出力することを繰り返す演算手段と、
前記ニューラルネットワークモデルの出力層に、前記学習用のトロリ線の歪に関するデータを与え、出力層から中間層を経て入力層に向けて、誤差信号を伝搬させて、少なくとも、前記ニューラルネットワークデータにおける前記結合に関連付けられた重みおよび前記ニューロンに関する閾値を修正し、前記修正された結合に関連付けられた重みおよび前記ニューロンに関する閾値を、修正されたニューラルネットワークデータとして記憶する誤差逆伝搬手段と、を有する学習手段と、
前記記憶装置に記憶された、前記学習手段による学習により修正されたニューラルネットワークモデルデータを読み出して、前記ニューラルネットワークモデルの入力層に、前記推定用の接触力に関するデータを与え、入力層から中間層を経て出力層に向けて、順次、前記ニューラルネットワークモデルデータにおけるニューロンの結合にしたがって、入力層により近い側のニューロンからの信号と当該結合に関連付けられた重みとの乗算結果の総和から閾値を減じた値に基づく出力関数により、出力値を算出し、当該出力値を出力層の側に結合されたニューロンに出力することを繰り返し、前記出力層からの値を、推定されたトロリ線の歪に関するデータとして、前記記憶装置に記憶する推定手段と、
を備えたことを特徴とする推定システム。 A system for estimating distortion of a trolley wire associated with passage of a sliding plate attached to a pantograph hull,
For learning, data relating to the contact force between the pantograph hull and the trolley line in the first predetermined section, data relating to distortion of the trolley line accompanying the passage of the pantograph in the first predetermined section, and for estimation Of the contact force between the pantograph hull and the trolley line in the second predetermined section, and the weight of the neural network model associated with the connection between each neuron constituting the neural network, and A storage device storing neural network model data including a threshold value of each neuron;
A learning means for making weights and thresholds included in neural network model data appropriate values,
Read the initial neural network model data stored in the storage device, give the data related to the learning contact force to the input layer of the neural network model, and from the input layer to the output layer through the intermediate layer In turn, an output function based on a value obtained by subtracting a threshold value from the sum of multiplication results of signals from neurons closer to the input layer and weights associated with the connection according to the connection of neurons in the neural network model data The calculation means for repeatedly calculating the output value and outputting the output value to a neuron coupled to the output layer side,
Data relating to distortion of the learning trolley line is given to the output layer of the neural network model, an error signal is propagated from the output layer to the input layer through the intermediate layer, and at least the neural network data in the neural network data Learning with back propagation means for modifying weights associated with connections and thresholds for the neurons and storing the weights associated with the modified connections and thresholds for the neurons as modified neural network data Means,
Read out the neural network model data corrected by learning by the learning means, stored in the storage device, and give data relating to the contact force for estimation to the input layer of the neural network model, from the input layer to the intermediate layer The threshold is subtracted from the sum of the multiplication results of the signal from the neuron closer to the input layer and the weight associated with the connection in accordance with the connection of the neurons in the neural network model data sequentially toward the output layer. The output function is calculated based on the output value, and the output value is repeatedly output to the neuron coupled to the output layer side, and the value from the output layer is related to the estimated trolley line distortion. Estimating means for storing in the storage device as data;
An estimation system comprising:
前記推定手段により得られたトロリ線の歪に関する時刻ｔｋ（ｋ＝１〜ｍ）における推定された歪の時間・周波数領域データＨ’（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）に、逆短時間フーリエ変換を施して、前記時刻ｔｋ（ｋ＝１〜ｍ）における歪データｈ’（ｔｋ）（ｋ＝１〜ｍ）を算出して、歪の推定値データとして、前記記憶装置に記憶する逆短時間フーリエ変換手段を備えたことを特徴とする請求項１に記載のシステム。 The contact force data includes time / frequency domain data F (t k , f i ) of contact force obtained by performing a short-time Fourier transform on the contact force f (t k ) at time t k (k = 1 to m). (F is a frequency, k = 1 to m, i = 1 to n), and the data regarding the distortion of the trolley wire is a short time with respect to the distortion h (t k ) at time t k (k = 1 to m). Time / frequency domain data H (t k , f i ) of distortion subjected to Fourier transform (f is a frequency, k = 1 to m, i = 1 to n),
Time / frequency domain data H ′ (t k , f i ) of the estimated distortion at time t k (k = 1 to m) relating to distortion of the trolley line obtained by the estimation means (f is frequency, k = 1) ~ M, i = 1 to n) is subjected to inverse short-time Fourier transform to calculate distortion data h ′ (t k ) (k = 1 to m) at the time t k (k = 1 to m). The system according to claim 1, further comprising inverse short-time Fourier transform means for storing the estimated value data of distortion in the storage device.
前記推定手段が、時刻ｔｋ（ｋ＝１〜ｍ）における歪の推定値データｈ’（ｔｋ）（ｋ＝１〜ｍ）を算出するように構成されたことを特徴とする請求項１に記載のシステム。 The data relating to the contact force is contact force data f (t k−a ) to f (t k + a ) (k = 1 to m) in a range (t k−a to t k + a ) before and after the time t k . , The data regarding the distortion of the trolley wire is distortion data h (t k ) (k = 1 to m),
Claim 1, wherein the estimating means, characterized in that it is configured to calculate the time t k (k = 1~m) estimate data h '(t k) of the distortion in the (k = 1 to m) The system described in.
前記コンピュータに、
ニューラルネットワークモデルデータに含まれる重みおよび閾値を適切な値にする学習ステップであって、
前記記憶装置に記憶された、初期的なニューラルネットワークモデルデータを読み出して、前記ニューラルネットワークモデルの入力層に、前記学習用の接触力に関するデータを与え、入力層から中間層を経て出力層に向けて、順次、前記ニューラルネットワークモデルデータにおけるニューロンの結合にしたがって、入力層により近い側のニューロンからの信号と当該結合に関連付けられた重みとの乗算結果の総和から閾値を減じた値に基づく出力関数により、出力値を算出し、当該出力値を出力層の側に結合されたニューロンに出力することを繰り返す演算ステップ、並びに、
前記ニューラルネットワークモデルの出力層に、前記学習用のトロリ線の歪に関するデータを与え、出力層から中間層を経て入力層に向けて、誤差信号を伝搬させて、少なくとも、前記ニューラルネットワークデータにおける前記結合に関連付けられた重みおよび前記ニューロンに関する閾値を修正し、前記修正された結合に関連付けられた重みおよび前記ニューロンに関する閾値を、修正されたニューラルネットワークデータとして記憶する誤差逆伝搬ステップを有する、学習ステップと、
前記記憶装置に記憶された、前記学習手段による学習により修正されたニューラルネットワークモデルデータを読み出して、前記ニューラルネットワークモデルの入力層に、前記推定用の接触力に関するデータを与え、入力層から中間層を経て出力層に向けて、順次、前記ニューラルネットワークモデルデータにおけるニューロンの結合にしたがって、入力層により近い側のニューロンからの信号と当該結合に関連付けられた重みとの乗算結果の総和から閾値を減じた値に基づく出力関数により、出力値を算出し、当該出力値を出力層の側に結合されたニューロンに出力することを繰り返し、前記出力層からの値を、推定されたトロリ線の歪に関するデータとして、前記記憶装置に記憶する推定ステップと、を実行させることを特徴とする推定プログラム。 For learning, data relating to the contact force between the pantograph hull and the trolley line in the first predetermined section, data relating to distortion of the trolley line accompanying the passage of the pantograph in the first predetermined section, and for estimation Of the contact force between the pantograph hull and the trolley line in the second predetermined section, and the weight of the neural network model associated with the connection between each neuron constituting the neural network, and A computer program for causing a computer equipped with a storage device storing neural network model data including threshold values of each neuron to estimate distortion of a trolley wire associated with passage of a sliding plate attached to a pantograph boat,
In the computer,
A learning step for setting the weights and thresholds included in the neural network model data to appropriate values,
Read the initial neural network model data stored in the storage device, give the data related to the learning contact force to the input layer of the neural network model, and from the input layer to the output layer through the intermediate layer In turn, an output function based on a value obtained by subtracting a threshold value from the sum of multiplication results of signals from neurons closer to the input layer and weights associated with the connection according to the connection of neurons in the neural network model data To calculate an output value and repeatedly output the output value to a neuron coupled to the output layer side, and
Data relating to distortion of the learning trolley line is given to the output layer of the neural network model, an error signal is propagated from the output layer to the input layer through the intermediate layer, and at least the neural network data in the neural network data A learning step comprising modifying a weight associated with a connection and a threshold for the neuron and storing the weight associated with the modified connection and the threshold for the neuron as modified neural network data. When,
Read out the neural network model data corrected by learning by the learning means, stored in the storage device, and give data relating to the contact force for estimation to the input layer of the neural network model, from the input layer to the intermediate layer The threshold is subtracted from the sum of the multiplication results of the signal from the neuron closer to the input layer and the weight associated with the connection in accordance with the connection of the neurons in the neural network model data sequentially toward the output layer. The output function is calculated based on the output value, and the output value is repeatedly output to the neuron coupled to the output layer side, and the value from the output layer is related to the estimated trolley line distortion. An estimation step of storing in the storage device as data. Program.
前記コンピュータに、
前記推定ステップにより得られたトロリ線の歪に関する時刻ｔｋ（ｋ＝１〜ｍ）における推定された歪の時間・周波数領域データＨ’（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）に、逆短時間フーリエ変換を施して、前記時刻ｔｋ（ｋ＝１〜ｍ）における歪データｈ’（ｔｋ）（ｋ＝１〜ｍ）を算出して、歪の推定値データとして、前記記憶装置に記憶する逆短時間フーリエ変換ステップを実行させることを特徴とする請求項５に記載のプログラム。 The contact force data includes time / frequency domain data F (t k , f i ) of contact force obtained by performing a short-time Fourier transform on the contact force f (t k ) at time t k (k = 1 to m). (F is a frequency, k = 1 to m, i = 1 to n), and the data regarding the distortion of the trolley wire is a short time with respect to the distortion h (t k ) at time t k (k = 1 to m). Time / frequency domain data H (t k , f i ) of distortion subjected to Fourier transform (f is a frequency, k = 1 to m, i = 1 to n),
In the computer,
Time / frequency domain data H ′ (t k , f i ) of the estimated distortion at time t k (k = 1 to m) relating to distortion of the trolley wire obtained by the estimation step (f is frequency, k = 1) ~ M, i = 1 to n) is subjected to inverse short-time Fourier transform to calculate distortion data h ′ (t k ) (k = 1 to m) at the time t k (k = 1 to m). The program according to claim 5, wherein an inverse short-time Fourier transform step stored in the storage device as distortion estimation value data is executed.
前記記憶装置に記憶された、時刻ｔｋにおける接触力データｆ（ｔｋ）（ｋ＝１〜ｍ）について、短時間フーリエ変換を施して、接触力の時間・周波数領域データＦ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）を生成して、記憶装置に記憶するとともに、時刻ｔｋ（ｋ＝１〜ｍ）における歪データｈ（ｔｋ）について、短時間フーリエ変換を施して、歪の時間・周波数領域データＨ（ｔｋ，ｆｉ）（ｆは周波数、ｋ＝１〜ｍ、ｉ＝１〜ｎ）を生成して、記憶装置に記憶する短時間フーリエ変換ステップを実行させることを特徴とする請求項６に記載のプログラム。 In the computer,
The contact force data f (t k ) (k = 1 to m) stored at the time t k stored in the storage device is subjected to a short-time Fourier transform to obtain time / frequency domain data F (t k , f i ) (f is a frequency, k = 1 to m, i = 1 to n) is generated and stored in the storage device, and distortion data h (t k ) at time t k (k = 1 to m) Is subjected to a short-time Fourier transform to generate distortion time / frequency domain data H (t k , f i ) (f is a frequency, k = 1 to m, i = 1 to n), and The program according to claim 6, wherein a short-time Fourier transform step is stored.
前記推定ステップにおいて、前記コンピュータに、
時刻ｔｋ（ｋ＝１〜ｍ）における歪の推定値データｈ’（ｔｋ）（ｋ＝１〜ｍ）を算出するステップを実行させることを特徴とする請求項５に記載のプログラム。 The data relating to the contact force is contact force data f (t k−a ) to f (t k + a ) (k = 1 to m) in a range (t k−a to t k + a ) before and after the time t k . , The data regarding the distortion of the trolley wire is distortion data h (t k ) (k = 1 to m),
In the estimation step, the computer
6. The program according to claim 5, wherein a step of calculating estimated strain value data h ′ (t k ) (k = 1 to m) at time t k (k = 1 to m) is executed.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006087752A JP4394656B2 (en) | 2006-03-28 | 2006-03-28 | Trolley line distortion estimation system and distortion estimation program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006087752A JP4394656B2 (en) | 2006-03-28 | 2006-03-28 | Trolley line distortion estimation system and distortion estimation program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2007261370A JP2007261370A (en) | 2007-10-11 |
| JP4394656B2 true JP4394656B2 (en) | 2010-01-06 |
Family
ID=38634794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006087752A Expired - Fee Related JP4394656B2 (en) | 2006-03-28 | 2006-03-28 | Trolley line distortion estimation system and distortion estimation program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4394656B2 (en) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5184050B2 (en) * | 2007-11-02 | 2013-04-17 | 公益財団法人鉄道総合技術研究所 | Method for estimating distortion of trolley wire from contact force of pantograph |
| JP2015027835A (en) * | 2013-07-30 | 2015-02-12 | 公益財団法人鉄道総合技術研究所 | Distortion estimation method, fatigue life evaluation method, production method for train line bracket, calculation method for vibration displacement, characteristic estimation method, distortion estimation device, and program |
| JP5986061B2 (en) * | 2013-11-28 | 2016-09-06 | 公益財団法人鉄道総合技術研究所 | Overhead / pantograph travel simulation device |
| CN106696768B (en) * | 2016-12-28 | 2023-08-18 | 太原中车时代轨道工程机械有限公司 | Special oil scraping bow device for contact net |
| CN113320445B (en) * | 2020-02-28 | 2022-12-30 | 中铁二院工程集团有限责任公司 | Online monitoring and intelligent hidden danger and fault distinguishing and early warning system for contact network |
| CN111896044A (en) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | Monitoring method and equipment for railway contact net compensation device |
-
2006
- 2006-03-28 JP JP2006087752A patent/JP4394656B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2007261370A (en) | 2007-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4394656B2 (en) | Trolley line distortion estimation system and distortion estimation program | |
| Zhang et al. | Hybrid simulation of dynamics for the pantograph-catenary system | |
| Lee et al. | Analysis of dynamic interaction between catenary and pantograph with experimental verification and performance evaluation in new high-speed line | |
| Collina et al. | Numerical simulation of pantograph-overhead equipment interaction | |
| Van et al. | Waves, modes and properties with a major impact on dynamic pantograph-catenary interaction | |
| JP5986061B2 (en) | Overhead / pantograph travel simulation device | |
| Fu et al. | Predicting fatigue lives for bi-modal stress spectral densities | |
| Gentile et al. | Ambient vibration testing and structural evaluation of an historic suspension footbridge | |
| CN106503362B (en) | A kind of high speed pantograph Multi-objective Robust H ∞ controller design method | |
| EP2409639B1 (en) | Biological parameter monitoring method, computer program, and biological parameter monitoring device | |
| JP4928612B2 (en) | Method and apparatus for monitoring sensor noise | |
| EP2409640A1 (en) | Biological parameter monitoring method, computer program, and biological parameter monitoring device | |
| WO2010107091A1 (en) | Biological parameter monitoring method, computer program, and biological parameter monitoring device | |
| JP3930299B2 (en) | Pantograph contact force measuring method and contact force measuring device | |
| Anastasio et al. | Analytical investigation of railway overhead contact wire dynamics and comparison with experimental results | |
| JP6170443B2 (en) | Method and apparatus for estimating trolley wire static height | |
| Qin et al. | Fatigue failure of integral droppers of high-speed railway catenary under impact load | |
| JP2010111366A (en) | Method for estimating overhead line stationary height in electric railway | |
| JP4825110B2 (en) | Pantograph contact force estimation system and estimation method | |
| JP4012108B2 (en) | Pantograph contact force measuring method and contact force measuring device | |
| Collina et al. | Hardware in the loop test-rig for identification and control application on high speed pantographs | |
| Usuda | Estimation of wear and strain of contact wire using contact force of pantograph | |
| JP6809172B2 (en) | Estimating method, estimation program and estimation device | |
| CN110763989B (en) | Method for predicting service life of relay of urban rail transit vehicle | |
| JP4575116B2 (en) | Pantograph characteristic diagnostic method and apparatus |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080710 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20091001 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20091013 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20091015 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121023 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121023 Year of fee payment: 3 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121023 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121023 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131023 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |