JP5085175B2 - 鉄道車両用懸架装置の動特性推定方法 - Google Patents
鉄道車両用懸架装置の動特性推定方法 Download PDFInfo
- Publication number
- JP5085175B2 JP5085175B2 JP2007093620A JP2007093620A JP5085175B2 JP 5085175 B2 JP5085175 B2 JP 5085175B2 JP 2007093620 A JP2007093620 A JP 2007093620A JP 2007093620 A JP2007093620 A JP 2007093620A JP 5085175 B2 JP5085175 B2 JP 5085175B2
- Authority
- JP
- Japan
- Prior art keywords
- suspension system
- model
- input
- railway vehicle
- displacement
- 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
力学モデルを併用しないリカレント型または階層型のニューラルネットワークモデルにより、空気ばねの特性同定例とそれに基づく制御システムが提案されている(下記非特許文献1参照)。
また、線形ニューロンと非線形ニューロンを組み合わせたニューラルネットワークにより、線形特性と非線形特性を分離する同定方法が下記非特許文献2で提案されている。
この図に示すように、流量調節における弁またはダンパーのような非線形ダイナミックプロセスをモデル化するための伝達要素(102)にニューロン回路網(101)が直列に接続されている。このニューロン回路網(101)は、プロセスのスタティックな特性曲線をシミュレートするように構成されている(下記特許文献1)。
本発明は、上記状況に鑑みて、走行試験装置で測定した既存車両部品の入出力データから自動的に高精度の応答推定モデルを生成するもので、上記の近似に伴う不正確さを解消し、正確なモデルを効率的に得ることができる鉄道車両用懸架装置の動特性推定方法を提供することを目的としている。
〔1〕車輪付き鉄道車両のダンパとばねからなる懸架装置の取り付け点における相対変位・速度情報を入力とし、前記懸架装置の発生力を出力とする鉄道車両用部品の動特性推定方法において、区分線形モデルなどの簡単な力学的モデルと、ニューラルネットワークモデルとを有し、教師データとなる前記変位・速度情報と、前記懸架装置の発生力に基づいて、前記ニューラルネットワークモデルにより前記懸架装置の発生力の非線形性同定を行い、任意の前記変位・速度情報の入力に対して正確な前記懸架装置の減衰力の推定を自動的に行う鉄道車両用懸架装置の動特性推定方法であって、前記入出力間のコヒーレンスが設定値以上になる周波数成分の割合(高コヒーレンス周波数割合:HCR)で、同定した前記ニューラルネットワークモデルの性能を評価することを特徴とする。
(1)鉄道車両用懸架装置の高精度モデルが得られることにより、シミュレーション精度が向上する。
(2)試験・同定手順が自動化され、シミュレーションモデル生成が効率化される。
鉄道車両用ダンパの同定および精度の検証を行うためには、「教師データ」と「検証データ」の試験データが必要である。本発明のニューラルネットワークモデルは、教師データの入出力関係の学習を行い、教師データの入力から予測される出力が教師データの出力データに最も良く適合するようにネットワークのパラメータを自動的に調整する。このプロセスを、ニューラルネットワークモデルの学習と呼ぶ。このニューラルネットワークモデルの学習が完了したネットワーク(以後、同定モデルと表記)に、教師データとは別の実測入出力データを適用して推定した出力と、その実測出力との一致の程度により、同定モデルの精度を評価する。この比較用のデータを検証データと呼ぶ。検証データは、教師データと相関を持たない信号列であることが望ましい。
本発明のシステムにおいては、同定に使用する教師データおよび検証データは、図1に示すように、6自由度ダンパ試験装置1により測定する。
この状況を図2および図3に示す。
図2は教師データと検証データの波形比較図であり、横軸に時間(s)、縦軸に変位(mm)を示している。図3は教師データと検証データの変化範囲の比較図であり、横軸に変位(mm)、縦軸に速度(mm/s)を示している。
これらの加振パターンデータは、駆動パターン生成プログラムにダンパ種別や代表諸元を与えることにより自動的に生成される。
この教師データの作成例を図4に示す。
これらの加振パターンで供試ダンパ4を加振し、発生した減衰力は6分力センサ5で計測し、AD変換された後、6本のアクチュエータ2の変位から計算される6自由度モーションベース6の基準点の変位データとともに教師データまたは検証データとしてファイルに記録される。
このネットワーク構造の例を図5に示す。
図5は本発明にかかるニューラルネットワークモデルの構成図である。
このネットワークは、出力が入力に還流されないので、フィードフォワード型である。また、その内部で用いるニューロンの伝達関数は、線形ニューロンと非線形ニューロンを併用する構造となっている。本ニューラルネットワークモデルの例においては、非線形ニューロンとして下記の正接シグモイド関数の式(1)を用いたが、それ以外の関数でも良い。
学習を行うための評価関数としては、例えば下記平均誤差2乗和の式(2)などが適する。学習則としてはニュートン法などを用いることができる。
図6はばねダンパ直列モデルであり、kはばね、cはダンパである。
図7は区分線形モデルであり、横軸にピストン速度、縦軸に発生力を示している。この力学的モデルでは、(1)減衰係数1、(2)減衰係数2、(3)特性変化点、(4)ばね係数、の4個のパラメータを指定することが必要となる。これらのパラメータは、前処理として教師ダンパの入出力関係から線形な最適化を行って決定することができる。この例を図8に示す。
この図において、21は変位情報、22は力学的モデル、23は同定対象、24は力学的モデル22からの推定ばねひずみ量と、同定対象23からのばねひずみ量とを受けて、パラメータの最適値を出力して力学的モデル22に帰還する加算部である。
そこで、前置力学的モデルの最適化は、例えば前述の4個のパラメータ、つまり、(1)減衰係数1、(2)減衰係数2、(3)特性変化点、(4)ばね係数、に対して、実測減衰力と推定減衰力の平均誤差2乗和を評価関数としてニュートン法を適用することで実行できる。
教師データや検証データにはノイズを含むので、同定モデルの良さは必ずしも実測減衰力と推定減衰力の平均誤差2乗和だけで測ることはできない。例えば、教師データにノイズ成分が含まれている状況で、学習目標として極端に小さな平均誤差2乗和を指定した場合、ニューラルネットワークモデルは、ノイズによる変動までも表現するように調整され、必ずしも同定対象の特性を示さなくなる。このような状態を「過学習」と呼ぶ。
入出力(変位・速度,減衰力)間のコヒーレンスが閾値以上になる周波数帯域における出力のパワー総和が、全出力パワーに対して占める割合を「高コヒーレンス周波数割合(HCRと略称)」と定義した。この量は同定結果の入出力間の関連性の強さを示す。この例においては、0.8を閾値として用いた。
図10は平均2乗誤差と高コヒーレンス周波数割合(HCR)の関係を示す図である。
この図において、出力にノイズが含まれないときは平均2乗誤差の低下に伴ってHCRは上昇し、100%に漸近するが、ノイズが含まれるときには適値を超えると逆に低下していく。これは同定対象の応答と無関係なノイズ成分に対しても同調するようにネットワークが調整されていることを示し、過学習状態にあると言える。この例では平均2乗誤差が5×10-4〜10-3付近でHCRが最大となった。
上記したように、非線形ダンパ・空気ばねの特性を自動的に同定するシステムを開発し、ニューラルネットワークモデルにより、高精度の同定が可能なことを確認した。
なお、本発明は上記実施例に限定されるものではなく、本発明の趣旨に基づき種々の変形が可能であり、これらを本発明の範囲から排除するものではない。
2 6本のアクチュエータ
3 スチュワート型加振機構
4 供試ダンパ
5 6分力センサ
6 6自由度モーションベース
A ダンパの選択を行うダンパ選択情報入力部
B ダンパ特性の選択を行うダンパ特性選択情報入力部
C 過去データの読込みを行う過去データの読込み情報入力部
D 教師データと検証データのY軸の変位を示す波形比較表示部
E 教師データと検証データの変化範囲の比較表示部
11 変位・速度情報
12 非線形ニューロン□からなる非線形部
13 変位情報が取り込まれるダイナミクスモデル(力学的モデル)
14 線形ニューロン○からなる線形部
15 推定減衰力の出力部
16 比較部
17 実測減衰力の学習データ
18 学習則
21 変位情報
22 力学的モデル
23 同定対象
24 加算部
Claims (2)
- 車輪付き鉄道車両のダンパとばねからなる懸架装置の取り付け点における相対変位・速度情報を入力とし、前記懸架装置の発生力を出力とする鉄道車両用部品の動特性推定方法において、区分線形モデルなどの簡単な力学的モデルと、ニューラルネットワークモデルとを有し、教師データとなる前記変位・速度情報と、前記懸架装置の発生力に基づいて、前記ニューラルネットワークモデルにより前記懸架装置の発生力の非線形性同定を行い、任意の前記変位・速度上方の入力に対して正確な前記懸架装置の減衰力の推定を自動的に行う鉄道車両用懸架装置の動特性推定方法であって、前記入出力間のコヒーレンスが設定値以上になる周波数成分の割合(高コヒーレンス周波数割合:HCR)で、同定した前記ニューラルネットワークモデルの性能を評価することを特徴とする鉄道車両用懸架装置の動特性推定方法。
- 請求項1記載の鉄道車両用懸架装置の動特性推定方法において、ノイズを含む入出力データに対して、前記評価法を用いて学習の打ち切り判定を行うことによって過学習を防ぐことを特徴とする鉄道車両用懸架装置の動特性推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007093620A JP5085175B2 (ja) | 2007-03-30 | 2007-03-30 | 鉄道車両用懸架装置の動特性推定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007093620A JP5085175B2 (ja) | 2007-03-30 | 2007-03-30 | 鉄道車両用懸架装置の動特性推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008249610A JP2008249610A (ja) | 2008-10-16 |
JP5085175B2 true JP5085175B2 (ja) | 2012-11-28 |
Family
ID=39974722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007093620A Expired - Fee Related JP5085175B2 (ja) | 2007-03-30 | 2007-03-30 | 鉄道車両用懸架装置の動特性推定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5085175B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016098773A1 (ja) * | 2014-12-15 | 2016-06-23 | 新日鐵住金株式会社 | 鉄道車両状態監視装置 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751487A (zh) * | 2008-12-18 | 2010-06-23 | 北京航空航天大学 | 利用人工神经网络的弯曲位移 |
JP5254095B2 (ja) * | 2009-03-23 | 2013-08-07 | 公益財団法人鉄道総合技術研究所 | 鉄道車両の挙動模擬装置及び挙動模擬方法 |
JP5558317B2 (ja) | 2010-11-09 | 2014-07-23 | 株式会社東芝 | 列車制御装置 |
AT511577B1 (de) * | 2011-05-31 | 2015-05-15 | Avl List Gmbh | Maschinell umgesetztes verfahren zum erhalten von daten aus einem nicht linearen dynamischen echtsystem während eines testlaufs |
EP3905718B1 (en) * | 2017-03-24 | 2024-03-13 | Yamaha Corporation | Sound pickup device and sound pickup method |
CN109781934A (zh) * | 2017-11-13 | 2019-05-21 | 富士通株式会社 | 环境传感器检测数据的处理装置、处理方法、计算机可读存储介质、以及环境传感器系统 |
JP7190972B2 (ja) * | 2019-06-13 | 2022-12-16 | 株式会社プロスパイラ | 防振装置設計支援装置、防振装置設計支援プログラム及び防振装置設計支援方法 |
JP7208864B2 (ja) * | 2019-06-13 | 2023-01-19 | 株式会社プロスパイラ | 防振装置設計支援装置、防振装置設計支援プログラム及び防振装置設計支援方法 |
WO2020250829A1 (ja) * | 2019-06-13 | 2020-12-17 | 株式会社ブリヂストン | 防振装置設計支援装置、防振装置設計支援プログラム及び防振装置設計支援方法 |
JP7347356B2 (ja) | 2020-07-22 | 2023-09-20 | トヨタ自動車株式会社 | 予測装置、学習装置、予測プログラム、及び学習プログラム |
CN114519280B (zh) * | 2022-04-20 | 2022-07-12 | 中铁第四勘察设计院集团有限公司 | 一种车辆服役周期内限界动态演变预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4179277B2 (ja) * | 2004-12-27 | 2008-11-12 | 株式会社日立プラントテクノロジー | 鉄道車両の振動試験方法及び振動試験装置 |
-
2007
- 2007-03-30 JP JP2007093620A patent/JP5085175B2/ja not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016098773A1 (ja) * | 2014-12-15 | 2016-06-23 | 新日鐵住金株式会社 | 鉄道車両状態監視装置 |
JP2016113029A (ja) * | 2014-12-15 | 2016-06-23 | 新日鐵住金株式会社 | 鉄道車両状態監視装置 |
US10379008B2 (en) | 2014-12-15 | 2019-08-13 | Nippon Steel Corporation | Railway vehicle condition monitoring apparatus |
Also Published As
Publication number | Publication date |
---|---|
JP2008249610A (ja) | 2008-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5085175B2 (ja) | 鉄道車両用懸架装置の動特性推定方法 | |
US7146859B2 (en) | Method for simulation of the life of a vehicle | |
CA2347742C (en) | Generating a nonlinear model and generating drive signals for simulation testing using the same | |
US20070260438A1 (en) | Vehicle testing and simulation using integrated simulation model and physical parts | |
Ho et al. | Adaptive sliding mode control based nonlinear disturbance observer for active suspension with pneumatic spring | |
US20070275355A1 (en) | Integration and supervision for modeled and mechanical vehicle testing and simulation | |
Dodds et al. | Laboratory road simulation for full vehicle testing: a review | |
JPH11108803A (ja) | スピンドル取付型車両シミュレーターに用いる多自由度タイヤ・モデル化方法 | |
You et al. | Advances of virtual testing and hybrid simulation in automotive performance and durability evaluation | |
Kadziela et al. | Validation and optimization of the leaf spring multibody numerical model | |
Barber | Accurate models for complex vehicle components using empirical methods | |
Vaes et al. | Optimal decoupling for improved multivariable controller design, applied on an automotive vibration test rig | |
CN113158297B (zh) | 一种水工弧形钢闸门参数荷载识别方法 | |
Lugo et al. | Test-driven full vehicle modelling for ADAS algorithm development | |
Olma et al. | Model-based method for the accuracy analysis of Hardware-in-the-Loop test rigs for mechatronic vehicle axles | |
Sharma et al. | A Case Study on Durability Analysis of Automotive Lower Control Arm Using Self Transducer Approach | |
Mianzo et al. | LQ and H/sub/spl infin//preview control for a durability simulator | |
Arvidsson et al. | Development of methods for objectively quantifying performance of active suspension systems | |
WATANABE et al. | Development of oil damper test equipment capable of simulating the actual conditions of railway vehicles | |
Gao et al. | The study on fatigue test of cab assembly based on 4-channel road simulation bench | |
Hanafi et al. | Neuro Model for Passive Suspension of a Light Car | |
Jambhale et al. | Use of Software/Hardware-in-Loop Technique for Development of Semi-Active Suspension | |
Rezayat et al. | Influence of internal loads on the accuracy of durability tests of a vehicle on a test rig [C] | |
Koganei et al. | Characteristic identification of oil dampers for railway vehicles using Neural Networks | |
CN114781097A (zh) | 一种高速列车减振器试验系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090721 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120327 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120502 |
|
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: 20120904 |
|
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: 20120905 |
|
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: 20150914 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |