-
题名基于轮对运动状态特征的高速列车蛇行识别方法
- 1
-
-
作者
文思宇
宁静
王子轩
洪梓轩
张兵
陈春俊
-
机构
西南交通大学机械工程学院
西南交通大学轨道交通运载系统全国重点实验室
-
出处
《铁道科学与工程学报》
北大核心
2025年第7期3280-3291,共12页
-
基金
国家自然科学基金资助项目(51975486,12432002,52372402)。
-
文摘
蛇行运动稳定性是保证高速列车安全平稳运行的关键之一。剧烈的蛇行运动会导致较大的轮轨相互作用,极端情况下甚至可能引发脱轨,严重威胁行车安全。为保证列车的运行安全性及舒适性,需要对高速列车蛇行运动进行在线监测。目前,高速列车蛇行失稳的在线监测方法大多依据构架加速度信号的阈值进行判定,对蛇行运动稳定性状态的识别准确性不足。针对该问题,提出一种基于轮对运动状态特征的高速列车蛇行识别方法。该方法将能够反映轮对在轨道上动态位置的轮对横移量和轮轨间隙余量作为蛇行状态识别参考的核心要素,并从工程应用的角度选择了构架横向加速度信号、构架纵向加速度信号分别作为轮对横移量与轮轨间隙余量的表征信号。为更好地捕捉轮对运动的复杂动态特征,利用CNN特征融合网络提取构架横向和纵向加速度的时域、时频域耦合信息。采用同步压缩小波变换和坐标卷积相结合的方式提取构架横向加速度信号的时频域信息,以提高蛇行状态识别的准确性和细粒度。为验证该方法的效果,通过轮对横移量的理论估算将真实数据人工标记为4类,并使用该数据进行实验验证,实验结果显示:所提方法能够实现对蛇行运动更精细的分级评估,其识别任务的准确率达到了98.7%,优于其他几种适用于不同输入特征的网络。与现行标准相比,此方法不仅能够对蛇行状态进行分级识别,还能有效提前预警时间。表明该方法在高速列车蛇行运动稳定性智能监测中具有一定的工程应用价值。
-
关键词
高速列车
蛇行运动
故障诊断
特征融合
卷积神经网络
-
Keywords
high-speed train
hunting motion
fault diagnosis
feature fusion
convolutional neural network
-
分类号
U270.7
[机械工程—车辆工程]
-
