排序方式: 共有3条查询结果,搜索用时 62 毫秒
1
1.
针对高速列车车轮踏面磨耗单一模型无法对各种复杂工况下列车车轮踏面磨耗进行定量计算的问题, 提出一种基于恒等映射多层极限学习机的高速列车车轮踏面磨耗测量方法. 首先将恒等映射引入到多层极限学习机中, 提出一种基于恒等映射的多层极限学习机模型(identity multilayer extreme learning machine, I-ML-ELM), 采用机器学习公共数据集对该模型进行性能验证, 数值结果表明I-ML-ELM模型具有较好的准确性与泛化性; 然后基于车辆-轨道耦合动力学理论建立高速列车的车辆-轨道耦合动力学模型, 模拟列车运行的不同工况, 观测和分析高速列车的车轮踏面磨耗情况, 并通过I-ML-ELM预测模型对高速列车车轮踏面磨耗量进行学习及预测; 最后应用高速列车车轮踏面磨耗的实际测量值对I-ML-ELM预测模型进行进一步的验证, 结果表明: I-ML-ELM预测模型的各项性能参数指标在整体上优于以下五种网络: ELM, FLN, ML-ELM, ML-KELM和DLSFLN, 通过高速列车线路实测数据的进一步验证表明, 本文提出的基于I-ML-ELM的高速列车车轮踏面磨耗预测模型能较好地反映不同参数对高速列车车轮踏面磨耗值的影响规律. 相似文献
2.
3.
针对难以建立轮轨磨耗的单一模型和无法对各种工况下车轮踏面磨耗进行定量计算的问题,提出一种基于SQPSO优化DELM的踏面磨耗测量方法(SQPSO-DELM). 首先将衍生特性引入到极限学习机中,提出一种衍生极限学习机模型(DELM). 然后引入序列二次规划(SQP)方法和量子粒子群优化(QPSO)算法,对DELM的参数进行优化. 通过SQPSO-DELM预测模型,对车辆动力学模型模拟不同试验参数下的车轮踏面最大磨耗量以及对现场列车踏面磨耗程度的实际测量值进行训练和预测. 结果表明:SQPSO-DELM预测模型的性能参数指标均优于LSSVM、ELM、PSO-ELM和QPSO-ELM,能较好地反映不同参数对车轮踏面磨耗值的影响规律. 相似文献
1