关键词:
地铁
转向架构架
数据处理
工况识别
BP神经网络
疲劳损伤预测
摘要:
近年来,我国经济水平迅速攀升,城市化进程不断加快,各大城市均铺设了大量地铁线路以缓解地面的交通压力。随着地铁列车运用里程的不断增加,国内外开展了大量线路跟踪试验,构架关键部位损伤演变规律已初步探明,但是不同线路工况与列车运行状态对构架关键部位损伤的影响仍需要深入研究。本文以某B型地铁转向架构架为研究对象,在北京地铁开展了构架动应力跟踪测试工作,依托大量的实测数据,搭建了集数据管理与数据处理于一体的软件分析平台。在此基础上,研究了地铁列车工况识别方法,并依据识别方法计算了组合工况参数与构架关键部位损伤之间的传递关系,最终建立了构架损伤预测方法。主要工作内容包括:(1)研究了动应力测试过程中产生的数据种类,结合各类型数据特点,按照试验和测试两级别管理测试数据,针对不同类型数据提出了相应的存储模板。与此同时,分析了实测数据处理流程,对数据预处理与后处理中主要环节的算法进行了深入分析,针对传统算法中存在的弊端提出了新的改进算法。(2)在对数据管理方法和处理优化算法研究的基础上,利用C#.NET开发了动应力试验数据分析平台,经过运行和测试,实现了从海量实测数据中快速提取、高效处理的目标,完成了数据管理与数据处理的有效衔接。(3)对地铁列车工况进行了划分,利用实测速度信号,基于LU分解的最小二乘线性拟合算法滑动提取列车运行加速度,以此作为运行工况特征识别参数,研究了牵引、制动、惰行工况的识别区间。采用数据驱动和程序判别两类模型识别了地铁正线线路中直线、曲线工况,采用投票方式将识别结果进行集成,最后结合实测数据对运行工况与线路工况识别效果进行了评估。(4)研究了同工况参数下构架测点的等效应力分布,确定了损伤分析时等效应力最小样本量,据此建立了组合工况-损伤样本集。基于BP神经网络训练了组合工况参数与构架损伤之间的传递模型,并利用遗传算法对模型训练过程进行了优化。最后对指定线路区段进行识别和划分,将多组识别参数输入模型中得到损伤预测值,并与该区段的实测损伤值进行了比对,预测效果较为理想。本文研究内容为分工况建立高精度载荷谱奠定了基础,同时为同一平台的转向构架在全新线路的损伤预测研究提供了新思路。图80幅,表26个,参考文献83篇。