高速列车制动过程建模与参数辨识方法
发布时间：2021-10-26 07:36
列车运行速度的不断提高,运行环境的复杂多变,导致列车系统动态作用环境明显恶化,给高速列车的安全、稳定运行带来巨大隐患。作为保障高速列车安全运行的重要组成部分,列车制动系统的制动性能受到了极大地关注。准确的动力学建模是高速列车精准制动的基础,通过对高速列车制动模型性能参数的实时精准估计,可以掌握列车实时性能,大幅度优化列车区间调度效率,降低列车测量成本,提高列车检修效率。但是,现有文献主要是针对列车自身动力学模型进行研究,并未考虑环境因素的影响,且针对高速列车这样的非线性非高斯系统,尚未有完善的辨识理论可以对其制动参数进行有效的实时辨识。针对这些问题,本文一方面对列车制动机理进行分析,研究并建立了基于环境的列车制动模型,并分别针对非高斯噪声干扰下的制动模型和含有隐变量的制动模型进行了辨识研究,从模型角度提出了相应的制动模型辨识方法;另一方面对列车监测数据进行分析,建立深度神经网络,从数据角度进行了制动参数的辨识研究。本文的主要工作和研究成果如下:1、对列车制动机理进行分析,建立了列车制动单质点与多质点模型。考虑到列车在实际运行过程中,运行状态会受到运行环境的影响,分析了列车运行在干燥轨道...
【文章来源】：西安理工大学陕西省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图4-6时变参数估计流程
RNN）的一种变体，在处理时间序列分析问题上具有非常好的效果[47理长期依赖的时间序列（时间序列中距离相对较远的节点）预测分析问远的节点之间的关系时，会对雅克比矩阵进行多次相乘的操作，从而出度膨胀（发生较少）的问题，这就造成了 RNN 的处理效果变得差了起，这些问题可以通过调参来解决，但是在实际情况的处理上，这些问用的广泛性，使其难以应用到长期依赖的时间序列学习中。为了解决这经网络应运而生，通过引入遗忘门、输入门和输出门：之前梯度较大单的 RNN 一样被立马清除掉，在一定的程度上解决了梯度消失的问题于阈值 C 或者小于阈值-C 时，便将这时的梯度设置为 C 或者-C，在一梯度爆炸的问题[49-51]。的循环神经网络（RNN）都是由结构完全相同的模块复制构成的，图 NN 网络的内部结构，在这个网络中重复的结构仅为一个单一的 tanh 层 RNN 的一种，也具有类似的结构，只是 LSTM 并非单一重复的是 tan了三个门控结构：遗忘门、输入门和输出门，通过这个三个门来控制信从而实现长短时记忆，图 5-5 即为 LSTM 的整体结构图。
了梯度爆炸的问题[49-51]。的循环神经网络（RNN）都是由结构完全相同的模块复制构成的，图 5- RNN 网络的内部结构，在这个网络中重复的结构仅为一个单一的 tanh 层于 RNN 的一种，也具有类似的结构，只是 LSTM 并非单一重复的是 tanh 造了三个门控结构：遗忘门、输入门和输出门，通过这个三个门来控制信，从而实现长短时记忆，图 5-5 即为 LSTM 的整体结构图。图 5-4 RNN 内部结构Figure 5-4. Internal structure of RNN
【参考文献】：
期刊论文
[1]基于变步长Adaline神经网络的永磁同步电机参数辨识[J]. 张立伟,张鹏,刘曰锋,张超,刘杰. 电工技术学报. 2018(S2)
[2]Distributed cooperative control of multiple high-speed trains under a moving block system by nonlinear mapping-based feedback[J]. Bin NING,Hairong DONG,Shigen GAO,Tao TANG,Wei ZHENG. Science China（Information Sciences）. 2018(12)
[3]基于量子加权长短时记忆神经网络的状态退化趋势预测[J]. 李锋,陈勇,向往,王家序,汤宝平. 仪器仪表学报. 2018(07)
[4]高速列车信息控制系统的故障诊断技术[J]. 周东华,纪洪泉,何潇. 自动化学报. 2018(07)
[5]基于滑动窗口的分布式轨迹流聚类[J]. 毛嘉莉,陈鹤,宋秋革,金澈清,周傲英. 计算机学报. 2018(09)
[6]LSTM逐层多目标优化及多层概率融合的图像描述[J]. 汤鹏杰,王瀚漓,许恺晟. 自动化学报. 2018(07)
[7]高速列车纵向动力学模型时变参数在线辨识方法[J]. 谢国,张丹,黑新宏,钱富才,曹源,蔡伯根,高橋聖,望月宽. 交通运输工程学报. 2017(01)
[8]基于列车运行图的高速铁路动态牵引负荷建模方法[J]. 王科,胡海涛,魏文婧,邵洋,陈丽华,何正友. 中国铁道科学. 2017(01)
[9]基于RBPF的轨道车辆悬挂系统参数估计方法[J]. 方宇,李晓斌,金子博,高伟. 铁道学报. 2016(10)
[10]一种基于白箱模型的人工神经网络参数辨识算法[J]. 胡鹏飞,谢诞梅,熊扬恒. 中国电机工程学报. 2016(10)
本文编号：3459115
【文章来源】：西安理工大学陕西省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图4-6时变参数估计流程
RNN）的一种变体，在处理时间序列分析问题上具有非常好的效果[47理长期依赖的时间序列（时间序列中距离相对较远的节点）预测分析问远的节点之间的关系时，会对雅克比矩阵进行多次相乘的操作，从而出度膨胀（发生较少）的问题，这就造成了 RNN 的处理效果变得差了起，这些问题可以通过调参来解决，但是在实际情况的处理上，这些问用的广泛性，使其难以应用到长期依赖的时间序列学习中。为了解决这经网络应运而生，通过引入遗忘门、输入门和输出门：之前梯度较大单的 RNN 一样被立马清除掉，在一定的程度上解决了梯度消失的问题于阈值 C 或者小于阈值-C 时，便将这时的梯度设置为 C 或者-C，在一梯度爆炸的问题[49-51]。的循环神经网络（RNN）都是由结构完全相同的模块复制构成的，图 NN 网络的内部结构，在这个网络中重复的结构仅为一个单一的 tanh 层 RNN 的一种，也具有类似的结构，只是 LSTM 并非单一重复的是 tan了三个门控结构：遗忘门、输入门和输出门，通过这个三个门来控制信从而实现长短时记忆，图 5-5 即为 LSTM 的整体结构图。
了梯度爆炸的问题[49-51]。的循环神经网络（RNN）都是由结构完全相同的模块复制构成的，图 5- RNN 网络的内部结构，在这个网络中重复的结构仅为一个单一的 tanh 层于 RNN 的一种，也具有类似的结构，只是 LSTM 并非单一重复的是 tanh 造了三个门控结构：遗忘门、输入门和输出门，通过这个三个门来控制信，从而实现长短时记忆，图 5-5 即为 LSTM 的整体结构图。图 5-4 RNN 内部结构Figure 5-4. Internal structure of RNN
【参考文献】：
期刊论文
[1]基于变步长Adaline神经网络的永磁同步电机参数辨识[J]. 张立伟,张鹏,刘曰锋,张超,刘杰. 电工技术学报. 2018(S2)
[2]Distributed cooperative control of multiple high-speed trains under a moving block system by nonlinear mapping-based feedback[J]. Bin NING,Hairong DONG,Shigen GAO,Tao TANG,Wei ZHENG. Science China（Information Sciences）. 2018(12)
[3]基于量子加权长短时记忆神经网络的状态退化趋势预测[J]. 李锋,陈勇,向往,王家序,汤宝平. 仪器仪表学报. 2018(07)
[4]高速列车信息控制系统的故障诊断技术[J]. 周东华,纪洪泉,何潇. 自动化学报. 2018(07)
[5]基于滑动窗口的分布式轨迹流聚类[J]. 毛嘉莉,陈鹤,宋秋革,金澈清,周傲英. 计算机学报. 2018(09)
[6]LSTM逐层多目标优化及多层概率融合的图像描述[J]. 汤鹏杰,王瀚漓,许恺晟. 自动化学报. 2018(07)
[7]高速列车纵向动力学模型时变参数在线辨识方法[J]. 谢国,张丹,黑新宏,钱富才,曹源,蔡伯根,高橋聖,望月宽. 交通运输工程学报. 2017(01)
[8]基于列车运行图的高速铁路动态牵引负荷建模方法[J]. 王科,胡海涛,魏文婧,邵洋,陈丽华,何正友. 中国铁道科学. 2017(01)
[9]基于RBPF的轨道车辆悬挂系统参数估计方法[J]. 方宇,李晓斌,金子博,高伟. 铁道学报. 2016(10)
[10]一种基于白箱模型的人工神经网络参数辨识算法[J]. 胡鹏飞,谢诞梅,熊扬恒. 中国电机工程学报. 2016(10)
本文编号：3459115
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3459115.html
