本发明涉及一种轨道不平顺的获取方法,首先利用轨检车检测的车辆振动响应数据和轨道动态不平顺数据,采用遗传算法与车辆轨道耦合模型相结合,选择最小二乘准则指导遗传算法估计轨道静态不平顺,使计算模型的理论输出值和轨检车测量的车辆系统位移、速度、加速度和轨道动态不平顺的误差平方和最小,获得最优轨道静态不平顺值。然后结合不同运营列车的车辆轨道耦合模型,通过仿真计算获得列车通过时可能经历的轨道振动响应,进而由静态不平顺和钢轨动态响应之和计算出轨道动态不平顺,为评估列车运行的安全性和舒适性以及线路养护维修提供科学依据。
1.一种轨道不平顺的获取方法,其特征在于,该方法如下:1)初始化轨检车和轨道的质量、刚度、阻尼参数矩阵;2)产生轨道静态不平顺初始种群;3)将静态不平顺初始种群代入车辆轨道耦合模型,利用数值方法获得车辆系统的振动响应;4)根据遗传算法目标函数,即模型输出值与模型输出值相对应的测量值之间的误差和最小,计算种群中每个个体的适应度;5)对种群中的个体进行遗传算法的选择、交叉、变异操作,获得新一代种群;6)判断是否到达进化终止条件,获取轨道静态不平顺最优值;7)利用获得的轨道静态不平顺,结合车辆轨道耦合模型,得到实际运营车辆经过轨道时的振动位移,获取轨道动态不平顺。
2.根据权利要求1所述的一种轨道不平顺的获取方法,其特征在于,所述步骤1)中的参数包括轨检车、轨道的质量、阻尼和刚度矩阵。
3.根据权利要求1所述的一种轨道不平顺的获取方法,其特征在于,所述步骤3)中是利用最小二乘准则方法来建立种群的遗传算法目标函数。
4.根据权利要求1所述的一种轨道不平顺的获取方法,其特征在于,所述步骤6)中的终止条件为:判断遗传算法中的进化代数是否等于300。技术领域
本发明涉及一种轨道不平顺的获取方法。
背景技术
随着高速、重载铁路的迅速发展,机车车辆与轨道结构之间的动力作用日益加强,由此引发的车辆和轨道振动、疲劳损坏更加严重。轨道不平顺对机车车辆系统是一种加剧轮轨作用力、产生振动的主要外部激扰源,目前国内外轨道动态不平顺检测主要依靠轨检车和综合检测车的定期检测。按检测方式可分为静态不平顺和动态不平顺。静态不平顺是指没有轮轨作用下的轨道不平顺,而动态不平顺是指在轮轨作用下的轨道不平顺检测。动态不平顺是真正影响列车运行安全和稳定运行的轨道状态。目前国内外轨道动态不平顺检测主要依靠轨检车和综合检测车的定期检测。由于轨检车、综合检测车与实际运营的各种列车在速度、轴重、悬挂系统参数上存在差异,因此检测车辆动态获取的轨道不平顺数据不能反映运营车辆通过时的轨道不平顺状态。经典的车辆动力学是以车辆系统为研究对象,假设轨道系统为刚性支承,不考虑轨道系统对车辆系统的动态影响,而将轨面不平顺视为车辆系统的外部激扰。随着列车运行速度的提高,轮轨动态作用加剧,将车辆、轨道两个子系统独立起来的研究方法已经不能解决这种复杂大系统的相互作用问题。近年来国内外很多学者陆续开展了大量有关车辆-轨道耦合动力学领域的理论研究,取得了许多成果。翟婉明教授在建立了客车-轨道、货车-轨道、机车-轨道的空间耦合模型,其中轨道部分采用钢轨-轨枕-道床三层模型;冯青松采用解析法分析了不平顺条件下高速铁路轨道结构振动以及列车速度、轨道不平顺对有砟轨道结构振动的影响;雷晓燕教授以TGV车辆为例,通过建立车辆轨道垂向耦合模型,分析了在轨道不平激励下不同速度、不同线路状况的车辆振动响应。上述大多数学者都是利用车辆轨道耦合模型进行车辆轨道的振动响应分析,将轨道不平顺作为已知输入激励。
发明内容
本发明提出了一种轨道不平顺获取方法,以实现各种列车通过时轨道不平顺状态的估计。本发明首先利用轨检车检测的车辆振动响应数据和轨道动态不平顺数据,采用遗传算法与车辆轨道耦合模型相结合估计轨道静态不平顺。然后结合不同运营列车的车辆轨道耦合模型,通过仿真计算获得列车通过时可能经历的轨道动态不平顺,为评估列车运行的安全性和舒适性以及线路养护维修提供科学依据。本发明的目的通过以下技术方案来实现:一种轨道不平顺的获取方法,该方法如下:1)初始化轨检车和轨道的质量、刚度、阻尼参数矩阵;2)产生轨道静态不平顺初始种群;3)将静态不平顺初始种群代入车辆轨道耦合模型,利用数值方法获得车辆系统的振动响应;4)根据遗传算法目标函数,即模型输出值与模型输出值相对应的测量值之间的误差和最小,计算种群中每个个体的适应度;5)对种群中的个体进行遗传算法的选择、交叉、变异操作,获得新一代种群;6)判断是否到达进化终止条件,获取轨道静态不平顺最优值;7)利用获得的轨道静态不平顺,结合车辆轨道耦合模型,得到实际运营车辆经过轨道时的振动位移,获取轨道动态不平顺。进一步,所述步骤1)中的参数包括轨检车、轨道的质量、阻尼和刚度矩阵。进一步,所述步骤3)中是利用最小二乘准则方法来建立种群的遗传算法目标函数。进一步,所述步骤6)中的终止条件为:判断遗传算法中的进化代数是否等于300。本发明的优点在于:本发明利用遗传算法与车辆轨道耦合模型相结合提出了一种轨道静态不平顺的新的获取方式,能够准确的得到运营列车运行时可能经历的真实的轨道动态不平顺,为线路养护维修和运行安全提供了支撑。
附图说明
图1基于遗传算法的轨道静态不平顺估计流程;图2基于遗传算法和车辆轨道耦合模型的轨道不平顺估计方案;图3轨道静态不平顺估计结果;图4轨道动态不平顺估计结果。
具体实施方式
参数估计是通过对观测样本构造参数的估计函数模型,在某一估计准则约束条件下,采用一定数值计算方法估计函数模型中参数的过程。参数估计所构造的函数模型一般分为线性模型和非线性模型。车辆-轨道耦合模型是一个非线性系统。非线性模型参数估计准则与线性模型参数估计类似有:最小二乘估计准则、极大似然估计准则、最小均方差估计准则、绝对和最小估计准则、贝叶斯风险最小估计准则等。其中应用最为广泛的是非线性最小二乘估计(LS)。本文选用非线性最小二乘估计准则,对车辆-轨道垂向耦合模型中的轨道静态不平顺进行估计。在最小二乘估计准则的指导下,静态不平顺的估计结果能让车辆-轨道垂向耦合系统的输出值与测量值之间的误差平方和最小。常见的非线性最小二乘参数的求解算法主要有:线性近似法、迭代法、搜索法、高阶偏导直接法等。对于不可导的非线性模型上述需求导的算法都不可能求解。同时牛顿迭代为局部收敛,所求的参数估计往往是局部极小值。有一种在模型空间随机搜索直接解的算法可以有效地克服这些问题,该方法不需要求导,且一般具有全局最优解。这些方法主要包括蒙特卡罗(Montexa0Carlo)法,模拟退火算法(Simulatedxa0Annealing)和遗传算法(Geneticxa0Algrithms)。本发明原理是首先利用轨检车检测的车辆振动响应数据和轨道动态不平顺数据,采用遗传算法与车辆轨道耦合模型相结合,选择最小二乘准则指导遗传算法估计轨道静态不平顺,使得计算模型的理论输出值和轨检车测量的车辆系统位移、速度、加速度和轨道动态不平顺的误差平方和最小,估计轨道静态不平顺。然后结合不同运营列车的车辆轨道耦合模型,通过仿真计算获得列车通过时可能经历的轨道振动响应,进而由静态不平顺和钢轨动态响应之和计算出轨道动态不平顺,为评估列车运行的安全性和舒适性以及线路养护维修提供科学依据。下面结合附图,对本发明获取轨道不平顺做具体的说明。根据车辆-轨道耦合动力学模型,可以将系统动力学方程写成如下形式: [ M ] { X · · } + [ C ] { X · } + [ K ] { X } = { Q } { Q } = f ( { X } m { X · } , { X · · } , { Z 0 } ) - - - ( 1 ) ]]> 式中{Z₀}为轨道静态不平顺值。由于整个系统是大型的非线性方程组,我们无法直接解析出轨道静态不平顺{Z₀},但可以将此问题转化为模型的参数估计问题。在车辆系统和轨道系统的质量矩阵、阻尼矩阵和刚度矩阵确定的情况下,不同的轨道静态不平顺,可以通过二阶方程组的数值积分得到不同的车辆-轨道系统响应。因此,可以将车辆-轨道耦合系统简单描述为:X′=L(M,C,K,Z₀)+ΔExa0xa0xa0xa0(2)式中X′表示车辆-轨道系统的动力学响应的测量值;L(M,C,K,Z₀)表示车辆-轨道耦合系统模型;ΔE为误差。所以,轨道静态不平顺{Z₀}的估计问题可以转化为基于车辆-轨道耦合模型的参数估计问题。设轨道静态不平顺Z₀的范围为-10mm~10mm。已知车辆系统的位移矢量x(1∶10)、速度矢量v(1∶10)、加速度矢量a(1∶10)和轨道动态不平顺的检测值xk_r。遗传算法估计轨道静态不平顺的软件流程图如图1所示。1初始化轨检车和轨道已知的质量、阻尼和刚度矩阵;2初始化轮对下的轨道静态不平顺种群;3采用最小二乘准则的方法对每个个体进行评价,使得系统响应和测量值误差平方和最小;4执行遗传算法的选择、交叉、变异三大操作;5判断是否到达终止条件。根据遗传算法优化得到的轨道静态不平顺后,将轨道静态不平顺作为输入,结合运营车辆轨道耦合模型求出在运营车辆作用下的钢轨动态位移,与估计的轨道静态不平顺相加即可获得运营列车通过时轨道不平顺状态。下面结合图2和实施例对本发明作进一步详细的说明。在本发明的实施例中车辆-轨道耦合模型采用的客车-轨道垂向非线性模型,由车辆模型和轨道模型组成。在车辆模型中将车辆模拟成一个以速度v运行于轨道结构上的多刚体系统,由车体、前后转向架和轮对组成,考虑了车体的垂向振动、点头、转向架的垂向振动、点头、轮对的垂向振动,共10个自由度。轨道模型采用钢轨-轨枕-道床-路基三层结构,其中钢轨采用弹性点支撑的无限长Eular梁,轨枕采用刚体单元,道床在纵向上离散成道床块单元。车辆系统与轨道系统的垂向耦合作用是通过轮轨垂向接触而实现的,具体表现为轮轨之间的垂向作用力,在实施例采用的是最经典有效的Hertz非线性弹性接触模型。实施例中采用高速车辆参数和高速线路参数如表1-表2所示。表1高速车辆参数 ntent="drawing" img-format="tif" inline="no" orientation="portrait" wi="700"/> 表2高速线路参数 ntent="drawing" img-format="tif" inline="no" orientation="portrait" wi="700"/> 下面结合实施例详细说明轨道不平顺的获取过程。(1)产生初始种群在解的空间内,随机产生一定数目的个体组成初始的种群,个体的多少就是种群的大小。初始种群的大小和多样性直接影响到遗传算法的搜索效率。群体规模n不宜太小也不宜太大。群体规模n太小会使得遗传算法的优化性能下降,而采用较大的群体规模则可减少遗传算法陷入局部最优解的机会,但这意味着计算复杂度增大。在本实施例中轨道静态不平顺的种群大小取为20,维数NVAR取为4,对应四个轮对下的轨道不平顺。(2)计算适应度函数根据参数估计的最小二乘准则,建立遗传算法的目标函数。目标函数也就是根据个体所对应的车辆-轨道垂向耦合模型输出的理论值与测量值的误差的方差。目标函数值越小,个体的适应值就越大。目标函数的计算公式为: fitfun = Δ E 2 ]]> = Σ i = 1 10 w x i ( x i ′ - x i ) 2 + w v i ( v i ′ - v i ) 2 + w A i ( A i ′ - A i ) 2 + w ( xk _ ei - xk _ r ) 2 - - - ( 3 ) ]]> 式中,x′_i、v′_i、A′_i和xk_ei是第i个个体所对应的车辆-轨道垂向耦合模型计算输出的车辆系统位移、速度、加速度和轨道动态不平顺,是利用Newmark预测-校正法积分得到;x_i、v_i、A_i和xk_r是已知的车辆系统位移、速度、加速度和轨道动态不平顺;w为权矩阵。(3)选择操作采用均匀排序选择算子,采用最优保存策略,保存种群中10%的最优个体数,这些最优个体数不参与交叉运算和变异运算,而是用它来替换掉本代群体中经过交叉、变异等操作后所产生的适应度最低的个体。(4)交叉操作采用离散交叉重组方式,离散重组会产生一个掩码表来决定哪些父个体为子代贡献。(5)变异操作轨道静态不平顺估计的遗传算法采用的是非均匀变异的操作,即在对原有的变量增加一个扰动值。计算公式为:variable=variable+range×deltadelta决定变异算子能定位最优值的精度,本文选择delta的最小值为2^-19。根据遗传算法优化得到的轨道静态不平顺的估计结果如图3所示。蓝线为估计的轨道静态不平顺,红线为真实的轨道静态不平顺,可以看出,估计值和真值基本重合,它们的相关系数为0.97,标准误差为0.1752mm。(6)计算运营车辆通过时的轨道动态不平顺将通过遗传算法得到的轨道静态不平顺作为已经输入条件,代入运营车辆的车辆轨道耦合模型中,通过数值积分算法求出车辆轨道的动态响应,即可得到钢轨在运营车辆作用下的动态位移,通过与初始的静态不平顺相加即可得到运营车辆通过时的动态不平顺。图4为轨道动态不平顺估计结果。本发明能够在建立车辆轨道耦合模型和轨检车检测数据的基础上,结合遗传算法实现一种不同列车运行时轨道不平顺的估计,仿真计算结果表明,采用该算法估计的轨道静态不平顺和车辆-轨道系统的动态响应能很好的跟上真值的变化,实现了对不同类型的列车通过时线路真实状态的估计。