JOURNAL OF SHIJIAZHUANG INSTITUTE OF RAILWAY TECHNOLOGY VOL. 18 No3Sep. 2 019基于轮轨接触关系的列车运行
安全预测仿真研究刘俊君校美玲陈明义
(石家庄铁道大学 河北石家庄050043 )摘要：针对判断列车脱轨问题，本文评述了近些年来国内外的研究进展情况。分析了传统判
断脱轨的方法，发现传统利用脱轨系数与轮重减载率的车辆脱轨评价方式都是从轮轨间受力情况
方面加以分析，在进行脱轨判定时存在严重的误差与不足。在此基础上提出了一种基于轮轨相对
位移的脱轨预测方法。通过在ADAMS/Rail中建立单车模型，对轮轨作用关系和列车安全性分析 研究，经过仿真实验提取轮轨接触点、接触角、接触横移量、车轮抬升量、脱轨系数等参数，以 脱轨系数为指导，采用了一种改进的BP神经网络，通过轮轨间几何数据，对列车的运行状态进行
了预测实验。结果表明，通过轮轨间位置关系所得到的预测结果与车辆动力学安全性指标数据基
本一致，确定了轮轨几何关系与列车运行安全之间存在非线性关系。对轮轨间几何位置同车辆运 行安全性关系的研究内容进行了补充，并对列车运行安全性评价提供了参考。关键词：轮轨接触关系 BP神经网络脱轨系数仿真预测中国分类号：U268.4 文献标识码:A 文章编号:1673-1816(2019)03-0047-06脱轨问题的研究一直受到国内外学者的广泛重视，也取得了不少的研究成果。然而，随着列车速
度的不断提高，脱轨隐患越发值得重视。因此需要对火车脱轨的评判标准进行新的探索，寻找更为准
确直观的评判方法。国内学者孙丽霞等通过对传统的Nadal脱轨系数评判方法进行研究发现山，该方法只适用于运行速
度较低、大冲角及摩擦系数值较大的情。在小冲角情况下火车的脱轨安全性评判不够准确，且考虑的
情况单一，局限性强，忽略了非轮缘接触侧摩擦系数对轮缘接触侧的影响。国外的一些研究学者在Nadal
脱轨系数的基础上，不仅从力学的角度对摩擦系数和轮轨接触角进行了研究，也从几何参数角度对冲
角、横向力持续时间和两侧车轮横向力的相互作用，蠕滑力等多种因素对脱轨评判方法进行了综合的
研究。曾宇清等通过研究［习提出了一种修正的脱轨安全动态限度，修正的方法是把轮轨纵向力引入
Nadal公式中；王峰等提出用统计分析的方法建立列车脱轨系数累计概率分布的允许限度；陈果⑶等用 车轮抬升量，运用车辆一轨道耦合动力学理论对车辆脱轨安全限值进行了研究；陈光雄等⑷对Marie
脱轨系数临界值进行了研究，并与脱轨系数临界值作对比；Durali固等使用了 3自由度轮对模型来识别收稿日期：2018-11-15作者简介：刘俊君(1994-),男，汉，河北保定人，硕士研究生，研究方向计算机测控。国家自然科学基金(11372199, 51405313, 51208318)、河北省自然科学基金(A2014210142)47石家庄铁路职业技术学院学报 2019年第3期_______________________
影响脱轨的主要动态参数，提出了一个预测轮对新的脱轨临界值；张媛间等基于危险点分布比率--SVM 分类的思想通过对仿真数据进行高速铁路轨道不平顺峰值的安全域估计，得到了不同速度下的安全域
边界。本文从轮轨间接触点、接触角、轮轨间相对位移（包括纵向位移横向位移）等方面入手，建立
铁道车辆整车动力学分析模型，提取轮轨间几何关系数据，应用BP神经网络，通过对仿真列车运行及
脱轨数据的训练，分析铁道车辆的运行状态及特征，研究铁道车辆脱轨的临界条件，提出铁道车辆脱
轨的安全性评判方法。1现彳弭判标准及轮轨几何接殿系评判働研究由于高速动车组的结构，刚性轨道的几何特征和运行条件的多重不利因素的综合作用，列车在运
行时可能会发生脱轨。其轮轨间相互作用关系如图1所示。轮轨间相互作用关系Nadal根据爬轨车轮出现爬轨趋势的静力平衡条件，定义了车轮爬轨所需要的最小0ZP值。（1-1）
Q——车轮在垂直方向受到的力（N）； P——车轮在横向受到的力（N）；A——车轮的轮缘角度（。）；“-一轮轨接触摩擦系数。根据我国铁路有关文件TB10621-2009中的规定，评定高速列车脱轨的限界值为Q/P 一个持续的过程，当轮轨冲击力持续一定的时间后才可能发生脱轨，否则，即使在某一瞬间脱轨系数 超过限值很大，也不会脱轨。所以Nadal公式仅能表示开始爬轨时的脱轨系数下限值，而非只要Q/P 达到上限值就一定会发生脱轨。在研究列车高速或低速运行过程中是否发生脱轨，我国一般依据标准 是主要采用脱轨系数，有时考虑轮重减载率，但都不如分析空间轮轨接触点的位置变化更直观清晰易 理解，其的极限位置可以作为脱轨的临界判断值o本文以轮轨间的几何位置关系为基础，探究在正常运行与车辆脱轨过程中轮轨的空间位置改变， 从而得出可以评判脱轨的临界标准值。轮轨的相互位置改变促使着轮轨间相互作用力的改变，故基于 48第3期刘俊君，等 基于轮轨接触关系的列车运行安全预测仿真研究所建立的多体仿真模型，研究轮轨间相互作用力改变所具有的规律。同时，当轮轨产生碰撞的情况下, 研究车轮脱轨的行为。通过利用ADAMS/Rail建立车辆模型，进行动力学仿真，提取必要的数据（脱轨系数、轮重减载 率、接触点、接触角），把接触点，接触角当做输入数据（训练数据），把脱轨系数当做输出数据（目 标数据），用BP神经网络进行训练，目的是找到这组数据与脱轨系数之间所存在的关系，进一步弥补 利用脱轨系数评判方法的不足，提出新的更加直观的评判列车运行时脱轨的方法，利用轮轨间位移来 进行预测判断。2改进的BP神经网络算法原理 传统的BP神经网络训练采用的是误差反向传播学习算法，存在易陷入局部极小点、收敛速度慢等 问题。国内外学者对传统BP学习算法进行了改进，基本可分为两类叫％基于标准梯度下降法的改进 和基于数值优化算法。本文通过对BP神经网络选取不同参数来构造多类BP弱预测器，然后使用 Adaboost算法组成为强预测器。图2基于Adaboost算法的BP神经网络预测算法流基于Adaboost算法的BP神经网络预测算法流程\"]。如图2所示。改进算法详细步骤如下：（1） 首相对样本数据进行选择和网络初始化。当迭代次数t = l时，权值分布[DfC0 = !l t=1'2—11，训练集样本的数量表示为n,初始误差率o根据样本输入输出维数 设计网络结构，对BP网络权值和阈值＜p（O＜（p＜l）进行初始化设置。（2） 对样本数据进行预处理。（3） BP弱预测器预测。选择不同的BP神经网络函数，构造不同类别的BP弱预测器。对t=l,..., T进行迭代，对于训练第t个弱预测器，使用BP神经网络对训练数据进行训练，建立回归模型49石家庄铁路职业技术学院学报2019年第3期头®工小|［满足(4)对测试数据权重进行调整。令理=吐，更新权重如式(2-7)所示，式中Bt为标准化因子: (2-1) (5)输出强预测器函数。(2-2)3动力学分取在ADAMS/Rail中建立仿真模型。设置好各种参数后，组建整车系统，组建完成后，可以先进行 预载分析，然后进行动力学仿真实验。在进行动力学分析仿真时，选用的轨道谱是系统自带的文件， 是一个弯道轨道谱(mdids://arail_shared/tracks.tbl/mdi_track_curve.trk),轮轨接触关系也选择系统自带的 (mdids:〃arail_shared/contact_configurations.tbl/mdi_contact_tab.ccf)文件，选择巡航控制是为 了 在仿真时 列车可以匀速行驶。仿真次数一次，仿真行驶速度为40米每秒(144公里每小时)，仿真时间为十秒钟, 仿真步数1000步。(本文仅以后转向架左侧轮轨为例进行数据提取与预测研究。)在对列车进行动力学分析时，分别对40m/s (144km/h)和44m/s (158.4km/h),进行了仿真实验。图4 40m/s轮轨接下面给出在列车安全运行时(40m/s时)的部分数据的曲线对比图像。由图3所示可以看到，在速度为40m/s时，列车的脱轨系数在评定铁道机车的优良标准中始终是 在优(Q/P=0.6)的标准之内。在0S到1.5S内脱轨系数在0附近上下浮动，在1.5S到2.5S内，脱轨 系数迅速增大到-0.45左右，在3S到4S内在0.4左右浮动，最终稳定在-0.39左右。仿真的脱轨系数远 低于我国评定的轨道车量脱轨限界值，列车运行安全。本文判断列车脱轨的方法正是基于接触点与接触角与脱轨系数的关系提出的。如图4是接触点接 触角40m/s时的数据，wpf接触点，与rpf接触点的变化趋势基本上是一致的，并且wpf的变化幅度要 50第3期刘俊君，等 基于轮轨接触关系的列车运行安全预测仿真研究比ipf的变化幅度大，两个参数趋于稳定的时间也基本一致。当接触点向正方向变化时，接触角变小, 列车运行稳定，当接触点向负方向变化时，接触角增大，列车趋于不稳定状态。当接触点趋于稳定时, 接触角变化也趋于稳定。4改进BP神经网络对轮轨接触关系脱轨预测通过改进后的神经网络，利用从仿真中得到的数据训练一个可以预测列车脱轨系统（利用神经网 络建立轮轨间位移轮轨接触角与列车脱轨系数），从而得到数据之间的关系。下图是在训练神经网络时 的一些数据图像。因为我们只对列车左后轮进行了仿真分析，所以脱轨系数是负值。评判标准为，当图5 40m每 图6 44m每秒脱轨系数小于负一时，列车脱轨，当脱轨系数大于负一小于零时，列车安全运行。训练的神经网络以 44m/s的wpf接触点、rpf接触点和接触角作为输入参数，以脱轨系数为神经网络目标参数。网络训练完成后，用40m/s的这三种参数以验证网络的可用性，并把输出结果与40m/s时的脱轨 系数进行比对。如图5所示，其中通过网络预测的曲线为蓝色（虚线），目标曲线为红色（实现）。红 色目标曲线与40m/s时的列车脱轨系数的图像是基本一致的，在预测得到的脱轨系数图像中可以看到, 两条曲线走向及脱轨系数一致，仿真2S以后预测与目标基本吻合，最终稳定在-0.4附近，由此可以判 定列车没有脱轨，在仿真过程中，列车也是没有脱轨。验证44m/s结果如图6所示，在列车未发生脱 轨阶段，预测脱轨系数与仿真脱轨系数基本吻合，当列车运行不稳定，到467步时仿真数据与预测数 据出现了很大的偏，预测脱轨系数要比仿真脱轨系数小，但两者的绝值都要大于1,可以断定在此处发 生了脱轨。经过实验数据和图像的对比，可以发现在列车运行平稳阶段（40m/s时），预测曲线与目标曲线误 差非常小，在列车运行不平稳阶段（脱轨系数绝对值大于等于1时）预测曲线与目标曲线出现了较大 的误差，但是可以断定列车一定发生了脱轨，这是在以后的工作中需要继续研究改进的地方。5结论 本文对轮轨几何关系评判列车运行状态进行了初步探索，针对现行脱轨评判方法的局限性，提出 了利用轮轨相对位移（接触点）、接触角的评判方法。经过实验数据的比对分析可以得出结论，列车运 行时的脱轨系数与轮轨间几何接触存在一定关系，可以通过轮轨接触的几何关系，评判轨道车辆的运 行状态。由于还未能建立更为准确的评判方法，暂时只能以脱轨系数作为参考。通过不断的改进学习 可以的预测列车脱轨，可以成为判断列车是否脱轨的一种新的方法。51石家庄铁路职业技术学院学报 2019年第3期参考文献：[1] 孙丽霞，姚建伟.高速铁道车辆蛇行脱轨安全性评判方法研究[J].中国铁道科学,2013, 34(5):82-92.[2] 曾宇清，王卫东,舒兴高，等.车辆脱轨安全评判的动态限度[J].中国铁道科学，1999, 20(4):70-77.[3] 翟婉明，陈果.根据车轮抬升量评判车辆脱轨的方法与准则[J].铁道学报,2001,23(2): 17-26.[4] 王俊彪.日本轮轨关系研究现状综述[J].现代城市轨道交通,2009, 1-&[5] 孙善超，王成国,李海涛.轮/轨接触几何参数对高速客车动力学性能的影响[J]冲国铁道科学,2006, 27(05): 93-98.[6] 赵国堂，许永贤，刘铁.轮轨关系对脱轨影响的仿真研究[J].铁道部科学研究院,1998,19(1):19-26.[7] 关庆华.列车脱轨机理及运行安全性研究[D].成都:西南交通大学,2010.[8] 张冉佳.基于改进的神经网络对轮轨力测量技术的研究[D].北京:北京交通大学,2015.[9] 苏航.基于BP神经网络的地铁信号设备故障预测[D.].广州：华南理工大学,2013.[10] 许宏良，殷苏民.基于改进BP神经网络优化的管道腐蚀速率预测模型研究[J].表面技术,2018,2(47):177-181.[11] ZHANG Yunong, Li Wei. Yi Chenfu, et al. A weights-directly-detemined simple neural network for nonlinear system identification[C]//IEEE International Conference on Fuzzy Systems. Hong Kong, China, 2008[12] 丁明，王磊，毕锐.基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J].电力系统保护与控制,2012, 40(11): 93-99.[13] Cheng Feng5 Li Dehua. CUDA-based parallel implementation of the adaboost algorithm]J]. Computer Engineering & Science, 2011, 33(2): 119-123.(in Chinese)[14] Pan Hu, Chen Bin, Li Quan wen. Paper cuiTency number recognition based on binary tree and adaboost algorithm [J]. Journal of Computer Applications, 2011, 31(2):396-398. (in Chinese)[15] 李翔侏全银.Adaboost算法改进BP神经网络预测研究[J].计算机工程与科学,2013,35(8):96-102・[16] 唐晓城.基于BP神经网络改进算法的大气污染预测模型[J].河南科技学院学报(自然科学版).2018,46(1):74-7&Simulation Research on Train Operation Safety Prediction Based on Wheel-rail Contact RelationshipLiuJunjun Xiao Meiling Chen Mingyi(School of Electrical and Electronic Engineering, Shijiazhuang Tiedao University,Shijiazhuang, 050043, China;)Abstract： To judge the problem of train derailment, this article reviews the research progress at home and abroad in recent years. The traditional method of derailment is analyzed. It is found that the conventional derailment evaluation methods using the derailment coefficient and the wheel load reduction ratio are analyzed from the wheel-rail interactions. There are serious errors and deficiencies in derailment determination. Based on this, a derailment prediction method based on wheel-rail relative displacement is proposed. Through the establishment of a single-vehicle model in ADAMS/Rail, the wheel-rail interaction relationship and train safety analysis are studied. After simulation experiments, parameters such as wheel-rail contact points, contact angles, contact traverse amount, wheel lift amount, and derailment coefficient are extracted to derail The coefficient is a guide and an improved BP neural network is adopted. Through the geometric data between the wheels and rails, the running state of the train is predicted. The results show that the prediction results obtained by the positional relationship between the wheels and rails are basically consistent with the vehicle safety safety index data, and the nonlinear relationship between the wheel-rail geometric relationship and the train operation safety is determined. The research content on the relationship between the geometric position of wheel-rail and the safety of vehicle operation was supplemented, and it provided a reference for the safety evaluation of train operation.Key words： Wheel-rail contact relationship BP neural network Derailment coefficient simulation prediction52 因篇幅问题不能全部显示，请点此查看更多更全内容