[发明专利]一种高速动车组头型的辅助设计方法

说明书

本发明涉及一种高速动车组头型的辅助设计方法，其步骤为：S1、建立高速动车组头型图像样本数据集；S2、根据高速动车组头型样本数据集建立用于多分类的训练数据；S3、训练深度卷积神经网络模型；S4、选取高速动车组头型图像样本集的一份样本数据作为测试数据集，将测试数据集中的测试样本输入到训练好的深度卷积神经网络模型中，进行多层的卷积、池化操作；S5、对测试样本进行“打分”，得到测试样本的头型分数，辅助头型设计完成。本发明将有序回归和深度学习方法相结合，充分利用现有成熟车型的数据辅助未来新车型头型的设计选型，能够有效减少头型选型数量，显著提升高速动车组头型选型的效率，降低高速动车组头型设计过程中的耗费时间和成本。

技术领域

本发明属于轨道车辆技术领域，涉及高速动车组，具体地说，涉及了一种高速动车组头型的辅助设计方法。

背景技术

高速动车组车体头型的设计是设计高速动车组时十分重要的关键技术。高速动车组的头型主要影响列车的运行速度和受力情况。头型设计是一个包含空气阻力、升力、交汇压力波、隧道压力波、美观性等多个物理参数的动态负载系统，每一个物理参数并非独立的线性变化，而是多个物理参数相互作用、相互制约，共同影响头型的受力和美观。因此，头像设计具有组成参数复杂、计算复杂及相互关系等复杂系统的突出特征。

现有的高速动车组头型设计技术，多从空气动力学角度进行基于仿生理论的减阻设计。高速动车组空气动力学研究方法主要有实车试验、模型试验、数值计算及理论分析。在数值计算方面，提出利用流体力学(简称：CFD)；在模型试验方面研究手段主要为风洞试验、动模型试验、水槽或水洞试验。对于高速动车组头型设计问题，无论采用何种方式、进行何种优化，通过一次设计均难以使头型保持良好的性能，且存在耗费时间长、成本高的问题。

发明内容

本发明针对现有技术存在的耗时长、成本高等上述问题，提供一种高速动车组头型的辅助设计方法，用来降低头型设计过程中耗费的时间和成本。

为了达到上述目的，本发明提供了一种高速动车组头型的辅助设计方法，其具体步骤为：

S1、建立高速动车组头型图像样本数据集

S11、收集高速动车组各种型号的头型图像数据；

S12、收集给步骤S11中的头型图像数据做标签的标签数据；

S13、对收集到的头型图像数据及标签数据进行噪声滤除，滤除非真实高速动车组车头噪声数据，得到高速动车组头型图像样本数据集；

S2、根据高速动车组头型样本数据集建立用于多分类的训练数据

S21、将车头设计的合理程度评分为1、2、…、M个等级，1为最差，M为最好，形成M分类器；

S22、对收集到的头型图像样本数据集进行“打分”，得到打分数据集，每个样本数据包括输入部分和标注部分；输入部分为某型号高速动车组的头型图像数据，标注部分为该型号高速动车组试验后的实验整体得分；

S23、输入头型图像样本数据集和打分数据集，根据头型和打分生成一系列的M分类类标，得到包含头型图像、M分类类标和权重的训练数据集；

S3、训练深度卷积神经网络模型

随机选取高速动车组头型图像样本集的一份样本数据作为验证数据集，将步骤S2得到的训练数据集和验证数据同时作用于深度卷积神经网络模型，利用训练数据拟合深度卷积神经网络模型，利用验证数据通过图像旋转、图形翻转、随意裁剪防止深度卷积神经网络模型过渡拟合，训练输出深度卷积神经网络模型，使得每一个输出都是M分类器的一个M分类类标；深度卷积神经网络模型经过不断拟合，最终经梯度下降优化算法后达到最优，得到训练好的深度卷积神经网络模型；