[发明专利]列车车体舒适度的预测方法

说明书

技术领域

本发明属于铁路安全运行控制技术领域，尤其涉及一种列车车体舒适度的预测方法。

背景技术

随着中国铁路交通的迅猛发展，中国铁路逐渐跨入以“高速客运、重载货运”为特征的新时代。传统的运输系统面临许多难题：行车速度越高，舒适性问题愈显突出，车辆在高速运行过程中产生各种振动，影响旅客乘坐的舒适性和装运货物的完整。因此，对列车进行舒适度检测和评价是非常必要的。国外对舒适度的研究主要是针对振动舒适度。主要有国际标准化组织(ISO)的ISO2631标准、德国的Sperling标准、英国的BS6841标准、欧盟的ENV12299标准和国际铁路联盟的UIC513标准。这些评价标准包括了旅客在各种乘坐姿势下对列车的各项运行标准的要求，并且这些标准非常全面，包括对列车的垂向振动、纵向振动、横向振动的频率加权曲线等各方面都有严格的要求。在国内，我国还没有完整的列车乘坐舒适度标准。我国目前与之有关的标准是GB5599-85和TB/T2360-93标准，这两个标准主要是针对列车的平稳性制定的，而不是针对以人为主体的舒适度制定的。我国在列车乘坐舒适度的检测标准上，基本是参考国外标准。

由于世界各国所采用的舒适度评价标准不统一，而用不同评价标准计算出的舒适度值不同。这样就存在一个问题，依据某一个或者某几个标准计算出的原始舒适度值缺失的情况下，如何准确预测出车体的未来的舒适度。如果能够建立不同评价标准间的相关性，那么在依据某一个或者某几个标准计算出的原始舒适度值缺失的情况下，可以使用其他标准计算出的原始舒适度值预测舒适度值。因此，研究不同舒适度标准间的相关性是非常有意义的，可以方便的实现舒适度值的相互转化。韩国的Kim等人提出用最小二乘法建立不同舒适度标准之间的函数关系，但是该方法的精度不高。

发明内容

本发明的目的是，针对计算车体舒适度值的不同评价标准之间缺乏相关性导致的原始舒适度值缺失时，无法预测车体舒适度的问题，提出一种列车车体舒适度的预测方法。

为了实现上述目的，本发明采用的技术方案是，一种列车车体舒适度的预测方法，其特征是所述方法包括：

步骤1：采集车体振动数据；

步骤2：根据车体振动数据，分别利用不同评价标准计算车体舒适度值；

步骤3：对不同评价标准计算的车体舒适度值进行归一化处理；

步骤4：建立基于递阶遗传算法的BP神经网络；

步骤5：任取两组利用不同评价标准计算并归一化处理后的车体舒适度值，分别作为基于递阶遗传算法的BP神经网络的输入数据和输出数据；

步骤6：分别在输入数据和输出数据中选择训练样本和测试样本；

步骤7：训练所述基于递阶遗传算法的BP神经网络；

步骤8：利用训练后的基于递阶遗传算法的BP神经网络，预测车体舒适度值并进行反归一化处理；

步骤9：当训练后的基于递阶遗传算法的BP神经网络满足精度要求时，输出预测并反归一化后的车体舒适度值。

所述车体振动数据包括车体的横向加速度、纵向加速度和垂向加速度。

所述分别利用不同评价标准计算车体舒适度值具体是分别利用国际标准化组织的ISO2631评价标准、德国的Sperling评价标准、英国的BS6841评价标准、欧盟的ENV12299评价标准和国际铁路联盟的UIC513评价标准计算车体舒适度值。

所述对不同评价标准计算的车体舒适度值进行归一化处理具体利用公式其中，x_i为i时刻车体舒适度值，x_min为所有时刻的车体舒适度值的最小值，x_max为所有时刻的车体舒适度值的最大值。

所述基于递阶遗传算法的BP神经网络的输入层节点数为1，最大隐单元个数为30，输出层节点数目为1；其遗传算法的参数设置为：初始种群数为25，进化代数为25，隐节点重叠系数为0.6，精确度误差系数和复杂度误差系数均为1，控制基因和参数基因交叉概率均为0.77，控制基因和参数基因变异概率为0.05。

所述训练后的基于递阶遗传算法的BP神经网络满足精度要求具体是，当公式的计算结果小于设定阈值时，训练后的基于递阶遗传算法的BP神经网络满足精度要求；其中，y为测试样本中的目标值，y_m为预测并反归一化后的车体舒适度值，N为测试样本数目。

本发明通过基于递阶遗传算法的BP神经网络，建立不同评价标准计算的车体舒适度值之间的相关性，在依据某一个标准计算出的原始舒适度值缺失的情况下，实现了车体舒适度值的准确预测。