-
题名基于优化多核极限学习机的车轮多边形磨耗识别
被引量：1
- 1
-
-
作者
谢博
陈是扦
徐明坤
杨云帆
王开云
-
机构
西南交通大学牵引动力国家重点实验室
兰州交通大学机电工程学院
-
出处
《力学学报》
EI
CAS
CSCD
北大核心
2022年第7期1797-1806,共10页
-
基金
国家自然科学基金(U19 A20110,52005416,51825504)
四川省科技计划(2020 YJ0213)资助项目。
-
文摘
多边形车轮是铁路机车车辆中普遍存在的一种磨损现象,随着列车运营里程的增加,车轮磨耗程度显著提升,严重影响着列车乘坐舒适性和运营安全性,借助于列车运营监测大数据开展多边形车轮动态检测方法研究具有重要意义.本研究基于列车轴箱垂向加速度建立了多边形车轮定量识别模型,首先通过阶次分析识别出轴箱加速度中包含的多边形车轮主要阶次,同时获取各阶次对应的加速度幅值信息,在此基础上引入加速度信号熵特征共同构建多边形车轮磨耗幅值识别特征矩阵,然后建立遗传变异粒子群优化多核极限学习机(GMPSO-MELM)识别模型,通过特征矩阵与磨耗幅值的映射关系,进一步实现了车轮多边形磨耗幅值识别.通过仿真与现场实测数据研究结果表明,所提出的识别模型能有效地从轴箱加速度中提取多边形车轮主要阶次,磨耗幅值的识别精度均优于对比模型且具有较高的检测效率,可实现均方根误差为0.001 0 (仿真结果)与0.013 4(试验结果)的精确识别,本文提出的多边形车轮磨耗识别模型可为列车车轮检测与智能维护提供理论基础.
-
关键词
多边形车轮
轴箱加速度
遗传变异粒子群优化
多核极限学习机
动态检测
-
Keywords
polygonal wheel
axle box acceleration signal
GMPSO
MELM
dynamic detection
-
分类号
U211.5
[交通运输工程—道路与铁道工程]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
