机械工程学报

作者：董少迪, 唐兆, 王开云, 王建斌, 黎荣, 张建军

单位：1. 西南交通大学牵引动力国家重点实验室 成都 610031;2. 西南交通大学机械工程学院 成都 610031;3. 伯恩茅斯大学英国国家计算机动画中心 伯恩茅斯BH12 5BB英国

关键词：列车曲线通过,数字孪生体,深度学习,实时预测；

基金：国家重点研发计划(2020YFB1711402)和四川省自然科学基金(2022NSFSC0415)资助项目。

提出一种基于数字孪生技术的列车曲线通过性实时预测方法，解决传统动力学仿真方法在列车曲线通过性能分析时,面临的多自由度耦合模型构建复杂、不确定性因素分析困难等问题，提高仿真结果的实时性与精确度。构建面向列车曲线通过安全性的数字孪生体，可视化呈现列车曲线通过时安全性指标的动态变化过程。利用MQRNN深度学习算法稳健高效的特点，对列车曲线通过时的构架横向加速度、轮轴横向力、轮轨垂向力、脱轨系数等安全性指标进行特征提取，动态仿真以及实时预测，并将结果与LSTM计算结果进行比较。结果表明，相对LSTM方法，提出的MQRNN方法将最大误差，最大绝对误差分别降低至0.017, 0.09，同时具有更好的抗干扰能力，可以给出置信区间为90%的预测结果。所研究为列车曲线通过数字孪生体的构建及安全性预警奠定了基础。

来源：2022年第18期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2022年第18期