[发明专利]一种基于神经网络的城轨车辆构架损伤度检测方法

权利要求书

1.一种基于神经网络的城轨车辆构架损伤度检测方法，其特征在于，该方法包括以下步骤：

S1：构建构架的有限元模型，分析城轨车辆构架在各工况下的理论受力，并计算其所对应的各监测点的应力值；

S2：构建构架受力与应力关系的神经网络模型，将真实监测应力值输入神经网络模型中，即可计算并输出构架的实际受力；

S3：根据步骤S1，在构架的有限元模型中加载步骤S2输出的构架实际受力，得到构架应力，从而计算出应力集中点的当量损伤度；并根据当量损伤度来判断构架当前所处的劣化状态，预测其疲劳损伤；

步骤S1包括以下子步骤：

S11：建立构架的有限元模型，分析构架的受力情况，确定构架在垂向、横向、纵向上的主要受力，各个力组成集合{F₁,F₂,…,F_n}；

S12：根据列车运行的各种工况，生成对应工况下的m组数值不同的力，将每组力分别施加在有限元模型上，得到m组各个应力监测点的应力值，每组应力值记作{σ₁,σ₂,…,σ_n}；

步骤S2包括以下子步骤：

S21：构建构架受力与应力关系的BP神经网络模型，将各组应力值{σ₁,σ₂,…,σ_n}作为输入层向量，各组的力{F₁,F₂,…,F_n}作为输出层向量，导入该神经网络模型进行模型训练；

S22：在构架上与有限元模型的监测点相同的位置安装应力传感器，采集车辆在实际运行过程中的应力值，某时刻t的各监测点的应力记为{σ_1t,σ_2t,…,σ_nt}，并将应力{σ_1t,σ_2t,…,σ_nt}输入到步骤S21已训练好的神经网络模型中，即可输出构架的实际受力，记作{F_1t,F_2t,…,F_nt}；

步骤S3包括以下子步骤：

S31：根据步骤S2得到的构架的实际受力{F_1t,F_2t,…,F_nt}，将构架各时刻的实际受力{F_1t,F_2t,…,F_nt}重新施加在步骤S1中的有限元模型上进行计算，得到各时刻的构架实际应力分布状态；

S32：根据步骤S31得到的有限元模型的构架实际应力分布情况，获取构架上j个典型的应力集中点各时刻的应力数据，将每个集中点的应力数据分别组合成时间序列，采用雨流计数法，计算各个应力集中点的当量损伤度，由此判断构架当前所处的劣化状态。

2.根据权利要求1所述的一种基于神经网络的城轨车辆构架损伤度检测方法，其特征在于，所述构架的有限元模型的主要受力包括二系弹簧座所受垂向力、电机安装座所受垂向力、横向止挡座所受横向力、牵引座所受纵向力。

3.根据权利要求1所述的一种基于神经网络的城轨车辆构架损伤度检测方法，其特征在于，步骤S21中构架受力与应力关系的BP神经网络模型由输入层、隐含层、输出层的神经元依次全连接而成，步骤S21具体包括：

步骤一，根据应力监测点数、构架受力数分别确定BP神经网络模型的输入层和输出层的神经元节点数；

步骤二，根据经验公式确定BP神经网络模型的隐含层神经元节点数的初始值，并采用交叉验证法，寻找最优的神经元数；

步骤三，将各组应力值{σ₁,σ₂,…,σ_n}作为输入层向量，各组的力{F₁,F₂,…,F_n}作为输出层向量，导入初始BP神经网络模型进行训练；训练过程中使用交叉验证法，确定隐含层神经元数，最终得到的误差最小的模型，即为训练好的最优神经网络模型。