数字孪生在列车曲线通过性能预测中的应用研究

doi:10.3901/JME.2022.18.240

机械工程学报 ›› 2022, Vol. 58 ›› Issue (18): 240-250.doi: 10.3901/JME.2022.18.240

扫码分享

数字孪生在列车曲线通过性能预测中的应用研究

董少迪¹, 唐兆¹, 王开云¹, 王建斌¹, 黎荣², 张建军³

1. 西南交通大学牵引动力国家重点实验室成都 610031;
2. 西南交通大学机械工程学院成都 610031;
3. 伯恩茅斯大学英国国家计算机动画中心伯恩茅斯BH12 5BB英国

收稿日期:2021-11-15 修回日期:2022-02-28 出版日期:2022-09-20 发布日期:2022-12-08
通讯作者: 唐兆(通信作者)，男，1979年出生，博士，副研究员，硕士研究生导师。主要研究方向为列车系统动力学仿真与可视化研究，数字孪生在轨道交通中的应用。E-mail：tangzhao@swjtu.edu.cn
作者简介:董少迪,女,1990年出生,博士研究生。主要研究方向为数字孪生在轨道交通中的应用;E-mail:shaodidong@my.swjtu.edu.cn
基金资助:
国家重点研发计划(2020YFB1711402)和四川省自然科学基金(2022NSFSC0415)资助项目。

Application of Digital Twin to Curve Negotiation Performance Prediction of Train

DONG Shaodi¹, TANG Zhao¹, WANG Kaiyun¹, WANG Jianbin¹, LI Rong², ZHANG Jianjun³

1. State Key Laboratory of Traction Power, Southwest Jiaotong University, Chengdu 610031;
2. School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031;
3. National Centre for Computer Animation, Bournemouth University, Bournemouth BH12 5BB, UK

Received:2021-11-15 Revised:2022-02-28 Online:2022-09-20 Published:2022-12-08

摘要/Abstract

摘要： 提出一种基于数字孪生技术的列车曲线通过性实时预测方法，解决传统动力学仿真方法在列车曲线通过性能分析时,面临的多自由度耦合模型构建复杂、不确定性因素分析困难等问题，提高仿真结果的实时性与精确度。构建面向列车曲线通过安全性的数字孪生体，可视化呈现列车曲线通过时安全性指标的动态变化过程。利用MQRNN深度学习算法稳健高效的特点，对列车曲线通过时的构架横向加速度、轮轴横向力、轮轨垂向力、脱轨系数等安全性指标进行特征提取，动态仿真以及实时预测，并将结果与LSTM计算结果进行比较。结果表明，相对LSTM方法，提出的MQRNN方法将最大误差，最大绝对误差分别降低至0.017, 0.09，同时具有更好的抗干扰能力，可以给出置信区间为90%的预测结果。所研究为列车曲线通过数字孪生体的构建及安全性预警奠定了基础。

关键词: 列车曲线通过, 数字孪生体, 深度学习, 实时预测

Abstract: A digital twin method for predicting the safety performance of train curve negotiation is proposed to overcome these challenges posed by multiple-degree-of-freedom coupling modelling and the uncertainty factors analysis in traditional dynamics simulations, and to become more accurate and real-time. A digital twin for the safety prediction of train curve negotiation is built, and the dynamic safety indicators are visualized when a train passes a curved rail. The robustness and efficiency of the deep learning algorithm of MQRNN are helpful to extract features, simulate and predict the safety indicators of lateral acceleration of the frame, lateral force of the wheel shaft, the vertical force of the wheel and rail, as well as derailment coefficient in real-time. The results show that compared with the LSTM method, the proposed MQRNN method reduces the maximum error to 0.017 and 0.09, respectively, and gives prediction results with a 90% confidence interval, demonstrating its superior anti-interference ability. The proposed method can serve as a foundation for further digital twin-based decision-making of the train curve negotiation.

Key words: train curve negotiation, digital twin, deep learning, real-time predicted

中图分类号:

U270

董少迪, 唐兆, 王开云, 王建斌, 黎荣, 张建军. 数字孪生在列车曲线通过性能预测中的应用研究[J]. 机械工程学报, 2022, 58(18): 240-250.

DONG Shaodi, TANG Zhao, WANG Kaiyun, WANG Jianbin, LI Rong, ZHANG Jianjun. Application of Digital Twin to Curve Negotiation Performance Prediction of Train[J]. Journal of Mechanical Engineering, 2022, 58(18): 240-250.

参考文献

[1] 翟婉明，赵春发. 现代轨道交通工程科技前沿与挑战[J]. 西南交通大学学报，2016，51(2):209-226.ZHAI Wanming，ZHAO Chunfa. Frontirs and challenges of sciences and technologies in modern railway engineering[J]. Journal of Southwest Jiaotong University，2016，51(2):209-226.
[2] 杨国伟，魏宇杰，赵桂林，等. 高速列车的关键力学问题[J]. 力学进展，2015，45:217-460.YANG Guowei，WEI Yujie，ZHAO Guilin，et al. Research progress on the mechanics of high speed rails[J]. Advances in Mechanics，2015，45:217-460.
[3] 沈钢. 轨道车辆系统动力学[M]. 北京:中国铁道出版社，2014. SHEN Gang. Railway vehicle system dynamics[M]. Beijing:China Railway Publishing House，2014.
[4] OTERO Y J，MARTÍNEZ M J，DE l S M. Analytical model of wheel-rail contact force due to the passage of a railway vehicle on a curved track[J]. Revista Facultad de Ingeniería Universidad de Antioquia，2009，50:135-144.
[5] TUDOR A，TOUNTAS N S E. Wheel/rail friction power in curved track[J]. UPB Sci. Bull，Series D，2009，71(3):75-88.
[6] 赵国堂，曾树谷. 曲线半径与过、欠超高对钢轨侧磨的影响[J]. 中国铁道科学，1995，16(3):90-96.ZHAO Guotang，ZENG Shugu. Effect of curve radius and off-balance superevation on side wear of high rail on curved track[J]. China Railway Science，1995，16(3):90-96.
[7] 田光荣，张卫华，池茂儒. 重载列车曲线通过性能研究[J]. 铁道学报，2009，31(4):98-103.TIAN Guangrong，ZHANG Weihua，CHI Maoru. Study on curve negotiation performance of heavy-haul train[J]. Journal of The China Railway Society，2009，31(4):98-103.
[8] 毕鑫，马卫华，罗世辉. 机车转向架通过曲线的动态过程分析[J]. 机械工程学报，2013，49(22):150-156.BI Xin，MA Weihua，LUO Shihui. Dynamic process analysis of locomotive bogie curve negotiation[J]. Journal of Mechanical Engineering，2013，49(22):150-156.
[9] DENG G，PENG Y，YAN C，et al. Running safety evaluation of a 350 km/h high-speed freight train negotiating a curve based on the arbitrary Lagrangian-Eulerian method[J]. Proceedings of the Institution of Mechanical Engineers，Part F:Journal of Rail and Rapid Transit，2021，235(9):1143-1157.
[10] WANG K，HUANG C，ZHAI W，et al. Progress on wheel-rail dynamic performance of railway curve negotiation[J]. Journal of Traffic and Transportation Engineering，2014，1(3):209-220.
[11] GHOSH S，LEE T S. Intelligent Transportation systems:Smart and green infrastructure design[M]. Boca Raton :CRC Press，2010.
[12] JONES M T. Artificial intelligence:A systems approach[M]. New Delhi:Laxmi Publications，Ltd.，2008.
[13] 吴东阳，窦建平，李俊. 四旋翼飞行器的数字孪生系统设计[J]. 计算机工程与应用，2021，57(16):237-244.WU Dongyang，DOU Jianping，LI Jun. Design of a quadrotor’s digital twin system[J]. Computer Engineering and Applications，2021，57(16):237-244.
[14] FEI T，HE Z，ANG L，et al. Digital twin in industry:State-of-the-art[J]. IEEE Transactions on Industrial Informatics，2018，15(4):2405-2415.
[15] 王富章，吴艳华，卢文龙，等. 复杂艰险山区数字铁路总体方案研究[J]. 中国铁路，2021(4):20-26.WANG Fuzhang，WU Yanhua，LU Wenlong, et al. Research on overall scheme of digital railway in complex and dangerous mountainous areas[J]. China Railway，2021(4):20-26.
[16] 聂宁，官科，钟章队. 德国铁路 4.0 战略[J]. 中国铁路，2017(5):86-90.NIE Ning，GUAN Ke，ZHONG Zhangdui. German railway 4.0 strategy[J]. China Railway，2017(5):86-90.
[17] SCHÜPBACH K，CAIMI G，JORDI J，et al. Towards automated capacity planning in railways[M]. Aachen :Universitätsbibliothek der RWTH Aachen，2018.
[18] ATHAVALE J，BALDOVIN A，PAULITSCH M. Trends and functional safety certification strategies for advanced railway automation systems[C]// IEEE Electron Devices Society IEEE Reliability Society. 2020 IEEE International Reliability Physics Symposium (IRPS)，April 28-May 30，2020，Dallas，TX，USA:IEEE，2020:1-7.
[19] 黄爱玲，张晶，李平. 日本的智能铁路系统[J]. 铁路计算机应用，2003，12(5):43-45.HUANG Ailing，ZHANG Jing，LI Ping. Intelligent railway system of Japan[J]. Railway Computer Application，2003，12(5):43-45.
[20] LIU Z H，WANG G S，WEI M H. The development of intelligent railway transport system[J]. Control Automation，2006，22(7):16-19.
[21] YONG Q，JIA L M，ZHANG Y. Railway intelligent transportation system and its applications[J]. Engineering Sciences，2011，9(9):53-59.
[22] 史天运，彭凯贝. 增强型智能铁路客运车站架构及关键技术[J]. 铁路信息化，2021，4(43):72-79.SHI Tianyun，PENG Kaibei. Overall architecture and key technologies of enhanced intelligent railway station[J]. Railway Transport and Economy，2021，4(43):72-79.
[23] 朱庆，李函侃，曾浩炜，等. 面向数字孪生川藏铁路的实体要素分类与编码研究[J]. 武汉大学学报，2020，45(9):1319-1327.ZHU Qing，LI Hankan，ZENG Haowei，et.al. Classification and coding of entity features for digital twin Sichuan-Tibet railway[J]. Journa of Wuhan University，2020，45(9):1319-1327.
[24] MENG Z，TANG T，WEI G，et al. Digital twin based comfort scenario modeling of ATO controlled train[C]//Journal of Physics:Conference Series. The 2020 International Conference on Mechatronics Technology and Intelligent Manufacturing (ICMTIM)，August 28-30，2020，Xi'an，China:IOP Publishing，2020，1654012071.
[25] 陶飞，刘蔚然，张萌，等. 数字孪生五维模型及十大领域应用[J]. 计算机集成制造系统，2019，25(1):1-18.TAO Fei，LIU Weiran，ZHANG Meng，et.al. Five-dimension digital twin model and its ten applications[J]. Computer Integrated Manufacturing Systems，2019，25(1):1-18.
[26] 李聪波，孙鑫，侯晓博，等. 数字孪生驱动的数控铣削刀具磨损在线监测方法[J]. 中国机械工程，2022，33(1):78-87.LI Congbo，SUN Xin，HOU Xiaobo，et.al. Digital twin-driven online monitoring method for NC milling tool wear[J]. China Mechanical Engineering，2022，33(1):78-87.
[27] LIM B，ARIK S Ö，LOEFF N，et al. Temporal fusion transformers for interpretable multi-horizon time series forecasting[J]. International Journal of Forecasting，2021，37(4):1748-1764.

数字孪生在列车曲线通过性能预测中的应用研究

Application of Digital Twin to Curve Negotiation Performance Prediction of Train

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李春凯, 王嘉昕, 石玗, 代悦. GTAW熔池激光条纹动态行为与熔透预测方法研究[J]. 机械工程学报, 2024, 60(6): 236-244.
[2]	赵德望, 姜超, 赵延广, 杨文平, 樊俊铃. 铝锂合金疲劳性能及预测研究-基于试验和“浅层”+“深度”混合神经网络方法[J]. 机械工程学报, 2024, 60(16): 190-199.
[3]	付玲, 佘玲娟, 颜镀镭, 张鹏, 龙湘云. 基于内嵌物理信息与注意力机制BiLSTM神经网络的臂架系统疲劳损伤预测模型[J]. 机械工程学报, 2024, 60(13): 205-215.
[4]	陈钱, 陈康康, 董兴建, 皇甫一樊, 彭志科, 孟光. 一种面向机械设备故障诊断的可解释卷积神经网络[J]. 机械工程学报, 2024, 60(12): 65-76.
[5]	刘岳开, 王天杨, 褚福磊. 基于低延迟可解释性深度学习的复杂旋转机械关键部件知识嵌入与诊断方法研究[J]. 机械工程学报, 2024, 60(12): 107-115.
[6]	赖旭伟, 丁昆, 张楷, 黄锋飞, 郑庆, 李致萱, 丁国富. 基于可解释物理引导空间注意力改进的跨工艺参数立铣刀磨损辨识[J]. 机械工程学报, 2024, 60(12): 147-157.
[7]	林昕, 毛杨坤, 傅盈西, 朱锟鹏. 基于图像语义分割与图卷积的选区激光熔融成形过程羽流运动特征分析[J]. 机械工程学报, 2024, 60(12): 168-182.
[8]	邵海东, 肖一鸣, 邓乾旺, 任颖莹, 韩特. 基于不确定性感知网络的可信机械故障诊断[J]. 机械工程学报, 2024, 60(12): 194-206.
[9]	李玖法, 邹博文, 任玥. 考虑车-路交互作用的车辆轨迹预测算法研究[J]. 机械工程学报, 2024, 60(10): 76-85.
[10]	许思远, 张卫东, 毛玉明, 牛斌. 数据驱动的指定变形非均质多胞结构优化设计[J]. 机械工程学报, 2024, 60(1): 85-95.
[11]	何赟泽, 李响, 王洪金, 侯岳骏, 张帆, 牟欣颖, 刘浩, 程豪, 李时华, 李杰. 基于可见光和热成像的风机叶片全周期无损检测综述[J]. 机械工程学报, 2023, 59(6): 32-45.
[12]	康杰, 王寅, 罗杰, 孙嘉宝, 曾舒洪. 自主工作模态分析方法研究综述[J]. 机械工程学报, 2023, 59(13): 89-109.
[13]	吴强威, 文龙. 基于联合对抗训练的深度学习表面缺陷检测方法[J]. 机械工程学报, 2023, 59(12): 173-182.
[14]	李雄, 苏建宁, 张志鹏. 基于深度学习的产品概念草图生成设计研究[J]. 机械工程学报, 2023, 59(11): 16-30.
[15]	段暕, 周宏娣, 刘智勇, 詹小斌, 梁健强, 史铁林. 基于改进PCANet模型的铣刀磨损预测方法研究[J]. 机械工程学报, 2023, 59(1): 278-285.