列車運行速度的不斷提高,運行環(huán)境的復(fù)雜多變,導(dǎo)致列車系統(tǒng)動態(tài)作用環(huán)境明顯惡化,給高速列車的安全、穩(wěn)定運行帶來巨大隱患。作為保障高速列車安全運行的重要組成部分,列車制動系統(tǒng)的制動性能受到了極大地關(guān)注。準(zhǔn)確的動力學(xué)建模是高速列車精準(zhǔn)制動的基礎(chǔ),通過對高速列車制動模型性能參數(shù)的實時精準(zhǔn)估計,可以掌握列車實時性能,大幅度優(yōu)化列車區(qū)間調(diào)度效率,降低列車測量成本,提高列車檢修效率。但是,現(xiàn)有文獻(xiàn)主要是針對列車自身動力學(xué)模型進(jìn)行研究,并未考慮環(huán)境因素的影響,且針對高速列車這樣的非線性非高斯系統(tǒng),尚未有完善的辨識理論可以對其制動參數(shù)進(jìn)行有效的實時辨識。針對這些問題,本文一方面對列車制動機(jī)理進(jìn)行分析,研究并建立了基于環(huán)境的列車制動模型,并分別針對非高斯噪聲干擾下的制動模型和含有隱變量的制動模型進(jìn)行了辨識研究,從模型角度提出了相應(yīng)的制動模型辨識方法;另一方面對列車監(jiān)測數(shù)據(jù)進(jìn)行分析,建立深度神經(jīng)網(wǎng)絡(luò),從數(shù)據(jù)角度進(jìn)行了制動參數(shù)的辨識研究。本文的主要工作和研究成果如下:1、對列車制動機(jī)理進(jìn)行分析,建立了列車制動單質(zhì)點與多質(zhì)點模型�？紤]到列車在實際運行過程中,運行狀態(tài)會受到運行環(huán)境的影響,分析了列車運行在干燥軌道... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖4-6時變參數(shù)估計流程

RNN）的一種變體，在處理時間序列分析問題上具有非常好的效果[47理長期依賴的時間序列（時間序列中距離相對較遠(yuǎn)的節(jié)點）預(yù)測分析問遠(yuǎn)的節(jié)點之間的關(guān)系時，會對雅克比矩陣進(jìn)行多次相乘的操作，從而出度膨脹（發(fā)生較少）的問題，這就造成了 RNN 的處理效果變得差了起，這些問題可以通過調(diào)參來解決，但是在實際情況的處理上，這些問用的廣泛性，使其難以應(yīng)用到長期依賴的時間序列學(xué)習(xí)中。為了解決這經(jīng)網(wǎng)絡(luò)應(yīng)運而生，通過引入遺忘門、輸入門和輸出門：之前梯度較大單的 RNN 一樣被立馬清除掉，在一定的程度上解決了梯度消失的問題于閾值 C 或者小于閾值-C 時，便將這時的梯度設(shè)置為 C 或者-C，在一梯度爆炸的問題[49-51]。的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）都是由結(jié)構(gòu)完全相同的模塊復(fù)制構(gòu)成的，圖 NN 網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)，在這個網(wǎng)絡(luò)中重復(fù)的結(jié)構(gòu)僅為一個單一的 tanh 層 RNN 的一種，也具有類似的結(jié)構(gòu)，只是 LSTM 并非單一重復(fù)的是 tan了三個門控結(jié)構(gòu)：遺忘門、輸入門和輸出門，通過這個三個門來控制信從而實現(xiàn)長短時記憶，圖 5-5 即為 LSTM 的整體結(jié)構(gòu)圖。

了梯度爆炸的問題[49-51]。的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）都是由結(jié)構(gòu)完全相同的模塊復(fù)制構(gòu)成的，圖 5- RNN 網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)，在這個網(wǎng)絡(luò)中重復(fù)的結(jié)構(gòu)僅為一個單一的 tanh 層于 RNN 的一種，也具有類似的結(jié)構(gòu)，只是 LSTM 并非單一重復(fù)的是 tanh 造了三個門控結(jié)構(gòu)：遺忘門、輸入門和輸出門，通過這個三個門來控制信，從而實現(xiàn)長短時記憶，圖 5-5 即為 LSTM 的整體結(jié)構(gòu)圖。圖 5-4 RNN 內(nèi)部結(jié)構(gòu)Figure 5-4. Internal structure of RNN

【參考文獻(xiàn)】：
期刊論文
[1]基于變步長Adaline神經(jīng)網(wǎng)絡(luò)的永磁同步電機(jī)參數(shù)辨識[J]. 張立偉,張鵬,劉曰鋒,張超,劉杰.  電工技術(shù)學(xué)報. 2018(S2)
[2]Distributed cooperative control of multiple high-speed trains under a moving block system by nonlinear mapping-based feedback[J]. Bin NING,Hairong DONG,Shigen GAO,Tao TANG,Wei ZHENG.  Science China（Information Sciences）. 2018(12)
[3]基于量子加權(quán)長短時記憶神經(jīng)網(wǎng)絡(luò)的狀態(tài)退化趨勢預(yù)測[J]. 李鋒,陳勇,向往,王家序,湯寶平.  儀器儀表學(xué)報. 2018(07)
[4]高速列車信息控制系統(tǒng)的故障診斷技術(shù)[J]. 周東華,紀(jì)洪泉,何瀟.  自動化學(xué)報. 2018(07)
[5]基于滑動窗口的分布式軌跡流聚類[J]. 毛嘉莉,陳鶴,宋秋革,金澈清,周傲英.  計算機(jī)學(xué)報. 2018(09)
[6]LSTM逐層多目標(biāo)優(yōu)化及多層概率融合的圖像描述[J]. 湯鵬杰,王瀚漓,許愷晟.  自動化學(xué)報. 2018(07)
[7]高速列車縱向動力學(xué)模型時變參數(shù)在線辨識方法[J]. 謝國,張丹,黑新宏,錢富才,曹源,蔡伯根,高橋聖,望月寬.  交通運輸工程學(xué)報. 2017(01)
[8]基于列車運行圖的高速鐵路動態(tài)牽引負(fù)荷建模方法[J]. 王科,胡海濤,魏文婧,邵洋,陳麗華,何正友.  中國鐵道科學(xué). 2017(01)
[9]基于RBPF的軌道車輛懸掛系統(tǒng)參數(shù)估計方法[J]. 方宇,李曉斌,金子博,高偉.  鐵道學(xué)報. 2016(10)
[10]一種基于白箱模型的人工神經(jīng)網(wǎng)絡(luò)參數(shù)辨識算法[J]. 胡鵬飛,謝誕梅,熊揚恒.  中國電機(jī)工程學(xué)報. 2016(10)



本文編號：3459115