发明内容
本发明要解决的技术问题是,提供一种轨道车辆横向动力学性能地面监测评估方法,其能建立地面监测与标准动力学试验之间的数值关系,以利用地面监测进行车辆的横向动力学评估。
本发明的上述目的可采用下列技术方案来实现,一种轨道车辆横向动力学性能地面监测评估方法,包括步骤:
A、获得某一类型车辆的基础数据,所述基础数据包括有效监测速度级下的地面监测数据x,评估速度级下的标准横向动力学试验数据y,以及对应的横向动力学特征参数θ;
B、分别生成各个评估速度级下上述类型车辆标准横向动力学试验数据y关于横向动力学特征参数θ的第一种条件概率密度函数p(y|θ);
C、分别生成各个有效监测速度级下上述类型车辆地面监测数据x关于横向动力学特征参数θ的第二种条件概率密度函数p(X|θ);
D、依据上述第二种条件概率密度函数p(X|θ)及对应的地面监测数据,生成上述类型车辆的横向动力学特征参数θ的概率密度函数p(θ);
E、对任一个属于上述类型车辆的车辆,将其有效监测速度级下地面监测数据序列Xc结合第二种条件概率密度函数p(X|θ)和概率密度函数p(θ),得到该车辆的横向动力学特征参数分布;
F、通过该车辆的横向动力学特征参数分布和第一条件概率密度函数,得到所述车辆在评估速度级下标准横向动力学参数分布,根据标准进行评估。
在优选的实施方式中,评估速度级下第一种条件概率密度函数和/或第二种条件概率密度函数的生成步骤包括:
G1、将上述类型车辆某速度级下的地面监测数据和标准横向动力学试验数据x、y对不同的横向动力学特征参数θ,采用非参数方法生成初步的概率密度函数;
G2、对初步的概率密度函数依据横向动力学特征参数θ累加生成累积概率数据;
G3、对等累积概率数据依据横向动力学特征参数θ进行多项式拟合,生成拟合数据;
G4、对拟合数据累减生成待插补样本数据;
G5、将待插补样本数据进行平滑及标准图像插补计算;
G6、将图像插补结果归一化处理,得到该速度级下地面监测数据和标准横向动力学试验数据x、y关于横向动力学特征参数θ的条件概率密度函数。
在优选的实施方式中,上述步骤G1中的非参数方法采用Parzen窗法。
在优选的实施方式中,上述基础数据中的地面监测数据x和标准动力学试验数据y,依据标准通过标准横向动力学试验或数值仿真的方式获取。
本发明的评估方法的特点及优点是:
1、建立了车辆横向动力学地面监测结果与标准横向动力学试验结果间的概率数值关联;
2、由于利用多次监测数据进行评估,所得到的评估结果稳定,并且可以结合不同的速度级进行评估,提高评估的时效性;
3、采用本发明得到的结果,可以引用现有的车辆横向动力学标准进行最终的评判;
4、本发明是一个通用的方法,可以用于货车的评估也可用于客车的安全评估。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的理论基础是:
设x,y,θ是事物的属性,已知p(x|θ)、p(y|θ)、p(θ),设Xc是对某事物x属性的n次独立测量Xc=[x1,x2,…,xn],若x,y的分布决定于θ且p(x|θ)、p(y|θ)光滑,那么在x的测量序列Xc下对y的分布估计(以下p表示对应概率密度函数的估计值):
p(y|Xc)=∫p(y|θ)p(θ|Xc)dθ
其中:
以上表述的理论基础是经典贝叶斯估计的推广(以下称为贝叶斯估计推论):反映了由“可测分布”凝聚到“特征参数”,再由“特征参数”推广到“不易测目标分布”的过程及该过程需要满足的条件;推广了概率密度函数的贝叶斯估计在工程上的运用;对于非直接、非标准测量结果的评估意义重大。
具体到轨道车辆横向动力学地面监测数据的评估。
某车地面监测值的大小取决于该车的特性及进入测区的初始条件,就初始条件而言每个车的分布可认为是相同的,如此,某车地面监测值的分布本质上决定于车辆特性;
某车横向动力学评估公认方法结果取决于该车的特性及线路输入条件,就线路输入条件而言每个车是相同的,即横向动力学评估公认方法结果的分布决定于车辆特性;
设x是某车地面监测值分布,y是某车横向动力学标准评估方法结果分布,θ是表征车辆横向动力学特性的参数,由于p(x|θ)、p(y|θ)光滑对一般工程问题可认为是成立的,结合以上分析可以看到:就轨道车辆横向动力学地面监测评估而言,满足贝叶斯估计推论的使用条件。
如图1所示,本发明提出的一种轨道车辆横向动力学性能地面监测评估方法,其步骤包括:
A、获得某一类型车辆(即指某一种类型的复数个车辆)的基础数据,所述基础数据包括有效监测速度级下的地面监测数据x,评估速度级下的标准横向动力学试验数据y,以及对应的横向动力学特征参数θ;
B、分别生成各个评估速度级下上述类型车辆对应标准横向动力学试验数据y,依据横向动力学特征参数θ的第一种条件概率密度函数p(y|θ);
C、分别生成各个有效监测速度级下上述类型车辆地面监测数据x,依据横向动力学特征参数θ的第二种条件概率密度函数p(X|θ);
D、依据上述第二种条件概率密度函数p(X|θ)及对应的地面监测数据,生成上述类型车辆横向动力学特征参数θ的概率密度函数p(θ);
E、对任一个属于上述类型车辆的车辆,将其有效监测速度级下地面监测数据序列Xc结合第二个条件概率密度函数p(X|θ)和概率密度函数p(θ),得到该车辆的横向动力学特征参数分布;
F、通过该车辆横向动力学特征参数分布和第一种条件概率密度函数p(y|θ),得到所述车辆在评估速度级下标准横向动力学参数分布,根据标准进行评估。
其中步骤A、B、C、D反映了***概率模型(贝叶斯估计推论)参数获取过程,步骤E、F对应模型的运用。
这样,本发明通过***概率模型的建立,引入车辆横向动力学特征参数,得到地面监测与标准动力学试验之间的数值关联,从而只需对车辆进行地面监测,利用多次地面监测数据,推断出相应的横向动力学试验结果,进而引用“标准”(例如GB/T5599—1985《铁道车辆动力学性能评定和试验鉴定规范》)进行评估。换句话说,本发明有效地解决了地面轨道车辆的横向动力学监测标准缺乏的问题,对货车以及中、高速客车特别是高速客车的安全评估及检修优化具有重要意义。
其中,上述步骤A中的基础数据中的地面监测数据x和标准动力学试验数据y,可依据标准通过标准横向动力学试验或数值仿真的方式获取。
在较佳的实施方式中,上述评估速度级下第一种条件概率密度函数和/或第二种条件概率密度函数的生成步骤包括:
G1、将上述类型车辆某速度级下的地面监测数据和标准横向动力学试验数据x、y对不同的横向动力学特征参数θ,采用非参数方法,例如Parzen窗法方法生成初步的概率密度函数;
G2、对初步的概率密度函数依据横向动力学特征参数θ累加生成累积概率数据;
G3、对等累积概率数据依据横向动力学特征参数θ进行多项式拟合,生成拟合数据;
G4、对拟合数据累减生成待插补样本数据;
G5、将待插补样本数据进行平滑及标准图像插补计算;
G6、将图像插补结果归一化处理,得到该速度级下地面监测数据和标准横向动力学试验数据x、y关于横向动力学特征参数θ的条件概率密度函数。
本发明是利用等概率线进行插补,也就是说,其由于在算法中合理引入了条件概率密度函数特征,二维条件概率密度函数生成算法相对标准图像插补算法特性良好,能较大程度解决试验数据大范围缺失问题。
下面对本发明进行举例说明。
本发明实施例的具体任务是利用某车120km/h下的地面监测数据评估其在120km/h工况下的横向安全性。其实施过程如下:
A1、获得该车辆所属的类型车辆的基础数据,此处将地面监测数据x取为车辆轴横向脱轨系数,标准横向动力学试验数据y取为标准试验得到的车辆脱轨系数,为简单计,此处直接设θ是该类车辆120km/h时横向动力学试验结果。
B1、鉴于仅评估120km/h工况下的横向安全性,故只生成120km/h速度级下该车所属车辆类标准横向动力学试验数据y关于横向动力学特征参数θ的第一种条件概率密度函数p(y|θ)。由于步骤A1中直接设θ是该类车辆120km/h时横向动力学试验结果,此处第一种条件概率密度函数p(y|θ)即为狄克拉δ函数。
C1、鉴于仅采用120km/h监测工况下的地面监测数据,故只生成120km/h速度级下该车所属车辆类地面监测数据x关于横向动力学特征参数θ的第二种条件概率密度函数p(x|θ);
此处直接使用该类型车辆的试验数据,试验样本分布如图2A和图2B所示,由于不可能使用足够多的车进行标准试验以及轨道车辆本身的性能特点,试验数据存在大范围缺失的问题。
为了解决试验数据缺失的问题,可以采用标准图像插补方法,例如标准二维图像插补方法,如图3A和图3B所示,从图3A和图3B中可以看出,在数据稀疏或大范围缺失的情况下标准二维图像插补方法性能可能不佳,这是因为算法中未对未知域的数据做过多约束,数值仅沿着坐标轴方向进行插补,算法可能不能反映图像特征,无法得到实际的结果;
因此,此处是利用等概率线进行插补,其在图像标准插补算法中增加了能反映图像特征的约束,即在算法中合理引入了条件概率密度函数特征,其车辆动力学地面评估的二维条件概率密度函数生成算法的结果参考图4A和图4B所示,其能较大程度解决试验数据大范围缺失的问题。
D1、依据第二个条件概率密度函数p(x|θ)及对应的地面监测数据x,生成横向动力学特征参数θ的概率密度函数p(θ),为简化问题,此处设概率密度函数p(θ)为常数。
E1、根据贝叶斯估计推论,将上述类型车辆的其中一辆车的地面监测数据序列Xc结合第二个条件概率密度函数p(X|θ)和概率密度函数p(θ),得到所述车辆的横向动力学特征参数分布;
图5A和图6A显示了车号为4627592和5370001车的标准横向动力学试验结果估计,从图5A和图6A中可以看出,随着地面估计序列的加长,估计值趋向于试验值。
F1、通过车辆的横向动力学特征参数分布和第一条件概率密度函数p(y|θ),得到所述车辆在评估速度级下标准横向动力学参数分布,根据标准进行评估;
从图5A看出,车号为4627592车,其随监测样本数的增加,评估得到的横向动力学试验脱轨系数最大值的推断值的概率密度函数向试验值(真值)1.2613凝聚,即该车在120km/h速度级运行不安全(试验值大于1,其运行不安全;试验值小于1,其运行安全);从图5B的累积概率曲线可以看出,4627592车若依据地面监测1次测量评估正线脱轨系数最大推断值大于1.0的概率大于90%(90%=1-对应的累积概率值,以下类推),大于1.2的概率大约40%;依据4次监测评估正线脱轨系数最大推断值大于1.0的概率接近100%,大于1.2的概率大于70%;依据8次监测评估正线脱轨系数最大推断值大于1.0的概率接近100%,大于1.2的概率约为85%,如此说明随评估样本数的增加越来越接近试验值;
从图6A和图6B看出,车号为5370001车,其随监测样本数的增加,评估得到的横向动力学试验脱轨系数最大值的推断值的概率密度函数向试验值(真值)0.44093凝聚,即该车在120km/h速度级运行安全,依据3次以上地面监测数据作出的评估中,脱轨系数大于0.8的可能性几乎为0。
轨道车辆横向动力学评估贝叶斯估计推论涵盖了不同监测速度级下的输入,例如,以120km/h下正线试验的脱轨系数最大值的推断值为条件生成了车辆横向地面监测100km/h速度级下的特性(即第二个条件概率密度函数p(Xv|θ),v=100km/h),如图7A和图7B所示,此时,以100km/h下的监测样本为输入,条件概率密度函数取图7A和图7B反映的p(Xv|θ)v=100km/h,评估样本数为8,再次估计前述车号4627592及5370001车在120km/h下的脱轨系数最大值的推断值:
图8A和图8B是基于100km/h下样本的4627592车横向动力学特性评估结果及其累积概率,随监测样本数的增加,评估得到的横向动力学试验脱轨系数最大值的推断值的概率密度函数仍向试验值1.2613靠拢;只是图8A和图8B的结果相对于图5A和图5B而言,其结果趋近于试验值的速度变慢;
图9A和图9B是基于100km/h下样本的5370001车横向动力学特性评估结果及其累积概率,随监测样本数的增加,评估得到的横向动力学试验脱轨系数最大值的推断值的概率密度函数仍向试验值0.44093靠拢;只是图9A和图9B的结果相对于图6A和图6B而言,其结果趋近于试验值的速度变慢。
综上所述,本发明对于一定速度范围的输入数据,其综合评估算法均能得到贴近实际的结果,此时评估速度级下的条件概率密度函数的特性决定了趋向试验值(真值)的速度;也就是说,本发明由于建议了地面监测参数与标准横向动力学试验之间的数值关系,其通过地面监测参数能对轨道车辆的横向动力学作出合理评判。
以上所述仅为本发明的几个实施例,本领域的技术人员依据申请文件公开的可以对本发明实施例进行各种改动或变型而不脱离本发明的精神和范围。