基于径向基函数神经网络的轮轨力检测

《基于径向基函数神经网络的轮轨力检测》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第17卷增刊振动工程学报Vol.17No.S2004年8月JournalofVibrationEngineeringAug.2004基于径向基函数神经网络的轮轨力检测陈建政‘陈伟2周艳红，('西南交通大学牵引动力国家重点实验室成都，610031)(“乌鲁木齐铁路局北疆铁路公司奎屯机务段新M,833200)摘要用测力轮对检测列车轮轨作用力时，由于轮轨作用力与轮辐贴片点处应变是非线性映射关系，同时作用的垂向力和横向力还会产生相互藕合，导致测量电路复杂，测量精度不高。本文在轮对有限元计算基础上，采用径向

2、基函数神经网络拟合轮轨力与贴片点处应变的非线性关系，通过学习消除横向力与垂向力之间相互影响，简化了测量电路，提高了测量精度，达到很好效果。关键词:神经网络;测力轮对;径向基函数;藕合;解藕中图分类号:TP393差900，输出波形为正(余)弦两个电桥组成，两个横1概述向力电输出值的平方和与轮轨横向力成正比。贴片位置选在垂向力作用下横向力桥输出最小处。列车运行时，车轮和轨道紧密接触，构成一个复杂的力学系统。轮轨作用力是导致轨道失效、破坏、车辆部件损伤的主要因素。轨道的设计计算、车辆设计、行车安全性的分

3、析与判断均以轮轨作用力为基本参数和出发点。轮轨作用力的测试是轨道检测项目之一，用来评定行车的平稳性和安全性，作为限速、提速的主要依据。用铁路机车车辆的轮对作为力传感器来测量轮轨间的相互作用力的方法，是所有轮轨力测量方法中测量精度最高的方法。连续测量图1横向力测量电桥轮轨力的测力轮对，其测量轮轨力的信号不随轮对1.2垂向力的Ef转动而变化，只与轮轨力的大小成正比。实现这种测横向力的测量电路如图2所示，也由两个电桥量的关键技术是要在车轮辐板上找到合适的应变片组成，但两个电桥布桥角度相差450，输出波形

4、为三粘贴位置，在这样的位置上贴片组成电桥来测量横角波形，从而使两垂向力电桥输出值的绝对值与轮向力(或垂向力)时，不敏感垂向力(或横向力)，而且轨垂向力成正比。在恒载荷的作用下，电轿的输出与轮对转角的关系要便于进行处理以实现连续测量。有效的测量横向力(或垂向力)的电桥应根据在它的作用下辐板的变形特征来设计。要设计出这祥的电桥，应对辐板在横向力和垂向力作用下的变形进行定量分析。为了消除交叉串扰，目前的测力轮对技术是在有限元分析计算和应力分布实验的基础上选择横向力作用影响最小处贴垂向力桥，在垂向力作用影

5、响最小处贴横向力桥[311.1横向力的测f图2垂向力测量电桥贴片点处应变是轮轨力、轮轨力作用点位置以横向力的测量电路如图1所示，由布桥角度相及车轮转动角度的函数，是复杂的非线性映射关系。收稿日期:2004-03-20振动工程学报第17卷传统的测力轮对技术采用巧妙的组桥方式消除了车={cr,o',witn,}使如下函数最小化轮旋转的影响，并使桥路的输出与作用力成正比。但min"RE,,[DN，人(x，O)]=工习}Y、一f=(x，O)’2是，这是极其理想化的情形。由于计算和测量误差在M所难免，难以选

6、择到交叉串扰为零的贴片位置。同时，由于在列车运行时，轮轨接触位置发生变化，会f,(x，④一习wig(11x一‘:}}R"/6i)加大交叉串扰，这也是目前测力轮对测量精度难以在径向基神经网络的学习算法中，如何确定神提高的主要原因，这也是由于简单的正余弦(三角)经网络的结构是学习算法的重要问题.网络规模过运算难以消除串扰误差造成的。小，不能充分学习样本数据;而网络规模过大，则容有鉴于此，本文提出了采用人工神经网络对横易出现过度拟和现象和泛化能力降低。垂向桥进行解祸的方法。人工神经网络由大量相互径向基神

7、经网络输出层为线性神经元，因此只连接的简单神经处理单元组成，可以不依赖于确定要确定了。、，。‘，通过最小二乘法能够构造出输出层的系统模型，只需通过对输入输出数据样本的训练，参数w;。径向基网络的学习算法中，主要任务是寻即可将输人输出的映射关系以神经元间连接强度找参数0={ci,(Ti,n,)o(权值)的方式存储下来，从而可获得一个反映实验或实测数据内在规律的数学模型，特别适合于因果3样本选取及网络参数设定关系复杂的非线性推理、判断、识别和分类等问题。人工神经网络具有学习的功能，可以学习轮轨作用利用

8、计算机模拟方法对车轮有限元模型进行了力与贴片点处应变之间复杂的非线性映射关系。已两种工况分析:①垂向载荷Fv=0kN，横向载荷F,,经证明，多层前馈神经网络具有以任意精度逼近任=10kN;②垂向载荷F,=10kN，横向载荷Fh=O意非线性映射的能力。常用的人工神经网络有BPkN。根据自扰尽可能大而串扰尽可能小的原则，选网、径向基函数网络、自组织映射网络等。径向基函取了横向桥贴片位置在距轴心R=187.6mm处的数神经网络由于收敛速度快，精度高而得到了广泛车轮内侧，垂向桥贴片位置在距