基于數(shù)據(jù)建模的輪軌力載荷辨識理論和應(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理論和應(yīng)用方法。包括:軌道-車輛系統(tǒng)檢測數(shù)據(jù)時頻特征提取技術(shù)、多節(jié)點特征數(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技術(shù)及其在軌道質(zhì)量狀態(tài)評估中的應(yīng)用方法。
　　在對軌道-車輛系統(tǒng)檢測數(shù)據(jù)的時頻特征屬性進行分析和提取的過程中，從經(jīng)典時頻分析理論出發(fā)，延伸到使用參數(shù)化時頻分析方法獲得信號的瞬時頻率和稀疏分解，并提出一種基于變參數(shù)域和短時高斯線性調(diào)頻基的自適應(yīng)信

2、號分解算法。這種方法較傳統(tǒng)的時頻分析方法更準確，可以為建立輪軌力載荷辨識數(shù)據(jù)模型提供有效的特征數(shù)據(jù)。
　　輪軌力載荷辨識數(shù)據(jù)模型的輸入是經(jīng)過時頻特征提取的軸箱、構(gòu)架、車體加速度和軌道不平順檢測數(shù)據(jù)，模型的輸出是經(jīng)過時頻特征提取后的輪軌力數(shù)據(jù)。經(jīng)過時頻特征提取的特征數(shù)據(jù)雖然在時、頻域上有一致的對應(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，還會帶來維數(shù)災(zāi)難，耗費大量計算時間。針對上述問題，提出

3、了一種多節(jié)點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)點特征數(shù)據(jù)的相關(guān)性和多重共線性干擾，同時每個主成分具有可解釋性，可作為訓(xùn)練輪軌力載荷辨識數(shù)據(jù)模型的輸入數(shù)據(jù)，有助于更加準確的辨識輪軌力。
　　在融合了多節(jié)點特征數(shù)據(jù)后，建立數(shù)據(jù)模型時需要用大量特征數(shù)據(jù)進行訓(xùn)練，因此對現(xiàn)有的神經(jīng)網(wǎng)絡(luò)和機器學(xué)習算法也提出了新的問題。本文在分析了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)和機器學(xué)習算法后，提出一種基于多節(jié)點L1/2-SpasePCA-ELM神經(jīng)網(wǎng)絡(luò)的輪軌力載

4、荷辨識數(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)點的個數(shù)，為ELM學(xué)習算法隱含層節(jié)點個數(shù)選擇提供了依據(jù)。該算法具有穩(wěn)定性好、泛化能力強、訓(xùn)練速度快等優(yōu)點。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，并使用實測數(shù)據(jù)進行了驗證。
　　最后，提出一種基于輪軌力和軌道不平順T2統(tǒng)計量的軌道質(zhì)量狀態(tài)評估方法。通過對七項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)計量并利用它評價