关键词:
轨道车辆
轮轨力识别
Green函数法
状态空间法
NARX模型
摘要:
为了尽可能减小轨道车辆垂向轮轨力时域识别中存在的误差,以时域法为基础,开展了基于机器学习修正的轨道车辆垂向轮轨力识别研究.首先建立了车辆动力学仿真模型,获取了车辆在随机轨道激励下以250km/h速度行驶时的轴箱加速度响应和垂向轮轨力.其次,建立了Green函数法、状态空间法这2种时域法对应的动载荷识别模型,对状态空间法的初值误差进行了分析,并引入多项式拟合法修正其趋势项误差,进而对比分析了2种方法的计算精度和计算效率.然后,针对时域法存在的识别误差,提出采用NARX(nonlinear autoregressive models with exogenous inputs)模型对识别误差进行训练和预测,用于消减模型中存在的如响应观测不全与观测噪声等因素造成的影响,进而对时域法识别结果进行修正,提高识别精度.最后,通过一个10自由度轨道车辆垂向动力学模型,对方法的正确性进行了验证.研究结果表明:2种方法对轨道车辆垂向轮轨力均具有较高的识别精度,对于各轮对的识别精度各有优劣;在计算效率方面,状态空间法比Green函数法更优;经NARX模型修正的2种时域法对轨道车辆垂向轮轨力均具有很好的识别效果,识别值与正演值的Pearson相关系数大于0.99,为极强相关.基于NARX模型的机器学习误差修正方法可有效提高时域识别精度,可以为后续轨道车辆轮轨力预测提供参考,具有较强的工程运用价值.