[發明專利]一種基于神經網絡的城軌車輛構架損傷度檢測方法

有效

• 申請號: 202010969279.X
• 申請日: 2020-09-15
• 公開（公告）號: CN112033710B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 陳博;胡林橋;徐剛;張志龍;張恒志
• 申請（專利權）人: 中車青島四方機車車輛股份有限公司;成都運達科技股份有限公司
• 主分類號: G01M17/10
• 分類號: G01M17/10;G06N3/04;G06N3/08;G06F30/23
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 李朝虎

1.一種基于神經網絡的城軌車輛構架損傷度檢測方法，其特征在于，該方法包括以下步驟：

S1：構建構架的有限元模型，分析城軌車輛構架在各工況下的理論受力，并計算其所對應的各監測點的應力值；

S2：構建構架受力與應力關系的神經網絡模型，將真實監測應力值輸入神經網絡模型中，即可計算并輸出構架的實際受力；

S3：根據步驟S1，在構架的有限元模型中加載步驟S2輸出的構架實際受力，得到構架應力，從而計算出應力集中點的當量損傷度；并根據當量損傷度來判斷構架當前所處的劣化狀態，預測其疲勞損傷；

步驟S1包括以下子步驟：

S11：建立構架的有限元模型，分析構架的受力情況，確定構架在垂向、橫向、縱向上的主要受力，各個力組成集合{F₁,F₂,…,F_n}；

S12：根據列車運行的各種工況，生成對應工況下的m組數值不同的力，將每組力分別施加在有限元模型上，得到m組各個應力監測點的應力值，每組應力值記作{σ₁,σ₂,…,σ_n}；

步驟S2包括以下子步驟：

S21：構建構架受力與應力關系的BP神經網絡模型，將各組應力值{σ₁,σ₂,…,σ_n}作為輸入層向量，各組的力{F₁,F₂,…,F_n}作為輸出層向量，導入該神經網絡模型進行模型訓練；

S22：在構架上與有限元模型的監測點相同的位置安裝應力傳感器，采集車輛在實際運行過程中的應力值，某時刻t的各監測點的應力記為{σ_1t,σ_2t,…,σ_nt}，并將應力{σ_1t,σ_2t,…,σ_nt}輸入到步驟S21已訓練好的神經網絡模型中，即可輸出構架的實際受力，記作{F_1t,F_2t,…,F_nt}；

步驟S3包括以下子步驟：

S31：根據步驟S2得到的構架的實際受力{F_1t,F_2t,…,F_nt}，將構架各時刻的實際受力{F_1t,F_2t,…,F_nt}重新施加在步驟S1中的有限元模型上進行計算，得到各時刻的構架實際應力分布狀態；

S32：根據步驟S31得到的有限元模型的構架實際應力分布情況，獲取構架上j個典型的應力集中點各時刻的應力數據，將每個集中點的應力數據分別組合成時間序列，采用雨流計數法，計算各個應力集中點的當量損傷度，由此判斷構架當前所處的劣化狀態。

2.根據權利要求1所述的一種基于神經網絡的城軌車輛構架損傷度檢測方法，其特征在于，所述構架的有限元模型的主要受力包括二系彈簧座所受垂向力、電機安裝座所受垂向力、橫向止擋座所受橫向力、牽引座所受縱向力。

3.根據權利要求1所述的一種基于神經網絡的城軌車輛構架損傷度檢測方法，其特征在于，步驟S21中構架受力與應力關系的BP神經網絡模型由輸入層、隱含層、輸出層的神經元依次全連接而成，步驟S21具體包括：

步驟一，根據應力監測點數、構架受力數分別確定BP神經網絡模型的輸入層和輸出層的神經元節點數；

步驟二，根據經驗公式確定BP神經網絡模型的隱含層神經元節點數的初始值，并采用交叉驗證法，尋找最優的神經元數；

步驟三，將各組應力值{σ₁,σ₂,…,σ_n}作為輸入層向量，各組的力{F₁,F₂,…,F_n}作為輸出層向量，導入初始BP神經網絡模型進行訓練；訓練過程中使用交叉驗證法，確定隱含層神經元數，最終得到的誤差最小的模型，即為訓練好的最優神經網絡模型。