基于多车型CNN-GRU性能预测模型的轨道状态评价
Journal of Southwest Jiaotong University(2023)
摘要
不同车型高速综合检测列车的动力学传递特性不同,使得其对同一线路的车体加速度评价结果存在一定差异.为解决上述问题,本文基于多列动检车的检测数据,将卷积神经网络(convolutional neural network,CNN)与门控循环单元(gated recurrent unit,GRU)相结合,建立了多车型车辆动力学响应预测模型,通过输入多项实测轨道不平顺和车速预测各车型的车体垂向和横向加速度,并将多车型车体加速度预测值的最大包络作为轨道状态评价依据.结果表明:将高低、轨向不平顺等 8项轨道不平顺和车速共同作为输入参数的模型预测性能最优,车体垂向和横向加速度预测的评估指标分别提升了 5%~13%和 25%~36%;CNN-GRU模型所预测的车体加速度在时域和频域均与实测结果吻合较好,相关系数最大达到 0.902;且相比于BP(back propagation)神经网络,各项车体垂向和横向加速度预测的评估指标分别提升了 36%~109%和 11%~167%;针对某轨道几何状态不良区段应用效果,预测 6种车型中有 4种车型达到车体垂向加速度Ⅰ级或Ⅱ级超限,有 1种车型达到车体横向加速度Ⅰ级超限,提高了轨道状态评价的准确性和一致性.
更多查看译文
关键词
track irregularity,vehicle body acceleration,track status evaluation,gated recurrent unit (GRU),convolutional neural network(CNN)
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要