基于數(shù)據(jù)建模的輪軌力載荷辨識(shí)理論和應(yīng)用研究.pdf

1、本文研究的內(nèi)容是基于數(shù)據(jù)建模的輪軌力載荷辨識(shí)理論和應(yīng)用方法。包括:軌道-車輛系統(tǒng)檢測(cè)數(shù)據(jù)時(shí)頻特征提取技術(shù)、多節(jié)點(diǎn)特征數(shù)據(jù)稀疏主成分分析的特征融合技術(shù)、基于特征數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)建模的輪軌力載荷辨識(shí)技術(shù)及其在軌道質(zhì)量狀態(tài)評(píng)估中的應(yīng)用方法。
　　在對(duì)軌道-車輛系統(tǒng)檢測(cè)數(shù)據(jù)的時(shí)頻特征屬性進(jìn)行分析和提取的過(guò)程中，從經(jīng)典時(shí)頻分析理論出發(fā)，延伸到使用參數(shù)化時(shí)頻分析方法獲得信號(hào)的瞬時(shí)頻率和稀疏分解，并提出一種基于變參數(shù)域和短時(shí)高斯線性調(diào)頻基的自適應(yīng)信

2、號(hào)分解算法。這種方法較傳統(tǒng)的時(shí)頻分析方法更準(zhǔn)確，可以為建立輪軌力載荷辨識(shí)數(shù)據(jù)模型提供有效的特征數(shù)據(jù)。
　　輪軌力載荷辨識(shí)數(shù)據(jù)模型的輸入是經(jīng)過(guò)時(shí)頻特征提取的軸箱、構(gòu)架、車體加速度和軌道不平順檢測(cè)數(shù)據(jù)，模型的輸出是經(jīng)過(guò)時(shí)頻特征提取后的輪軌力數(shù)據(jù)。經(jīng)過(guò)時(shí)頻特征提取的特征數(shù)據(jù)雖然在時(shí)、頻域上有一致的對(duì)應(yīng)關(guān)系，但卻存在著相關(guān)性和多重共線性等干擾。直接用這些數(shù)據(jù)建模不但不能發(fā)揮預(yù)期的作用，還會(huì)帶來(lái)維數(shù)災(zāi)難，耗費(fèi)大量計(jì)算時(shí)間。針對(duì)上述問(wèn)題，提出

3、了一種多節(jié)點(diǎn)和稀疏主成分分析的特征數(shù)據(jù)融合方法，消除了多節(jié)點(diǎn)特征數(shù)據(jù)的相關(guān)性和多重共線性干擾，同時(shí)每個(gè)主成分具有可解釋性，可作為訓(xùn)練輪軌力載荷辨識(shí)數(shù)據(jù)模型的輸入數(shù)據(jù)，有助于更加準(zhǔn)確的辨識(shí)輪軌力。
　　在融合了多節(jié)點(diǎn)特征數(shù)據(jù)后，建立數(shù)據(jù)模型時(shí)需要用大量特征數(shù)據(jù)進(jìn)行訓(xùn)練，因此對(duì)現(xiàn)有的神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法也提出了新的問(wèn)題。本文在分析了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法后，提出一種基于多節(jié)點(diǎn)L1/2-SpasePCA-ELM神經(jīng)網(wǎng)絡(luò)的輪軌力載

4、荷辨識(shí)數(shù)據(jù)建模方法。使用L1/2正則化條件增加稀疏性約束以確定隱含層神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)，為ELM學(xué)習(xí)算法隱含層節(jié)點(diǎn)個(gè)數(shù)選擇提供了依據(jù)。該算法具有穩(wěn)定性好、泛化能力強(qiáng)、訓(xùn)練速度快等優(yōu)點(diǎn)。使用仿真數(shù)據(jù)比較了該方法與其它神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)建模算法的性能，并使用實(shí)測(cè)數(shù)據(jù)進(jìn)行了驗(yàn)證。
　　最后，提出一種基于輪軌力和軌道不平順T2統(tǒng)計(jì)量的軌道質(zhì)量狀態(tài)評(píng)估方法。通過(guò)對(duì)七項(xiàng)軌道不平順組成的綜合變量在主元子空間投影向量單位正規(guī)化后求得T2統(tǒng)計(jì)量并利用它評(píng)價(jià)