列車運(yùn)行速度的不斷提高,運(yùn)行環(huán)境的復(fù)雜多變,導(dǎo)致列車系統(tǒng)動(dòng)態(tài)作用環(huán)境明顯惡化,給高速列車的安全、穩(wěn)定運(yùn)行帶來巨大隱患。作為保障高速列車安全運(yùn)行的重要組成部分,列車制動(dòng)系統(tǒng)的制動(dòng)性能受到了極大地關(guān)注。準(zhǔn)確的動(dòng)力學(xué)建模是高速列車精準(zhǔn)制動(dòng)的基礎(chǔ),通過對(duì)高速列車制動(dòng)模型性能參數(shù)的實(shí)時(shí)精準(zhǔn)估計(jì),可以掌握列車實(shí)時(shí)性能,大幅度優(yōu)化列車區(qū)間調(diào)度效率,降低列車測(cè)量成本,提高列車檢修效率。但是,現(xiàn)有文獻(xiàn)主要是針對(duì)列車自身動(dòng)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(duì)高速列車這樣的非線性非高斯系統(tǒng),尚未有完善的辨識(shí)理論可以對(duì)其制動(dòng)參數(shù)進(jìn)行有效的實(shí)時(shí)辨識(shí)。針對(duì)這些問題,本文一方面對(duì)列車制動(dòng)機(jī)理進(jìn)行分析,研究并建立了基于環(huán)境的列車制動(dòng)模型,并分別針對(duì)非高斯噪聲干擾下的制動(dòng)模型和含有隱變量的制動(dòng)模型進(jìn)行了辨識(shí)研究,從模型角度提出了相應(yīng)的制動(dòng)模型辨識(shí)方法;另一方面對(duì)列車監(jiān)測(cè)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(dòng)參數(shù)的辨識(shí)研究。本文的主要工作和研究成果如下:1、對(duì)列車制動(dòng)機(jī)理進(jìn)行分析,建立了列車制動(dòng)單質(zhì)點(diǎn)與多質(zhì)點(diǎn)模型�？紤]到列車在實(shí)際運(yùn)行過程中,運(yùn)行狀態(tài)會(huì)受到運(yùn)行環(huán)境的影響,分析了列車運(yùn)行在干燥軌道... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖4-6時(shí)變參數(shù)估計(jì)流程

RNN）的一種變體，在處理時(shí)間序列分析問題上具有非常好的效果[47理長(zhǎng)期依賴的時(shí)間序列（時(shí)間序列中距離相對(duì)較遠(yuǎn)的節(jié)點(diǎn)）預(yù)測(cè)分析問遠(yuǎn)的節(jié)點(diǎn)之間的關(guān)系時(shí)，會(huì)對(duì)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(shí)際情況的處理上，這些問用的廣泛性，使其難以應(yīng)用到長(zhǎng)期依賴的時(shí)間序列學(xué)習(xí)中。為了解決這經(jīng)網(wǎng)絡(luò)應(yīng)運(yùn)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(shí)，便將這時(shí)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(gè)網(wǎng)絡(luò)中重復(fù)的結(jié)構(gòu)僅為一個(gè)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(gè)門控結(jié)構(gòu)：遺忘門、輸入門和輸出門，通過這個(gè)三個(gè)門來控制信從而實(shí)現(xiàn)長(zhǎng)短時(shí)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(gè)網(wǎng)絡(luò)中重復(fù)的結(jié)構(gòu)僅為一個(gè)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(gè)門控結(jié)構(gòu)：遺忘門、輸入門和輸出門，通過這個(gè)三個(gè)門來控制信，從而實(shí)現(xiàn)長(zhǎng)短時(shí)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(zhǎng)Adaline神經(jīng)網(wǎng)絡(luò)的永磁同步電機(jī)參數(shù)辨識(shí)[J]. 張立偉,張鵬,劉曰鋒,張超,劉杰.  電工技術(shù)學(xué)報(bào). 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(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的狀態(tài)退化趨勢(shì)預(yù)測(cè)[J]. 李鋒,陳勇,向往,王家序,湯寶平.  儀器儀表學(xué)報(bào). 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(dòng)化學(xué)報(bào). 2018(07)
[5]基于滑動(dòng)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(jì)算機(jī)學(xué)報(bào). 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(dòng)化學(xué)報(bào). 2018(07)
[7]高速列車縱向動(dòng)力學(xué)模型時(shí)變參數(shù)在線辨識(shí)方法[J]. 謝國(guó),張丹,黑新宏,錢富才,曹源,蔡伯根,高橋聖,望月寬.  交通運(yùn)輸工程學(xué)報(bào). 2017(01)
[8]基于列車運(yùn)行圖的高速鐵路動(dòng)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(guó)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(jì)方法[J]. 方宇,李曉斌,金子博,高偉.  鐵道學(xué)報(bào). 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(shí)算法[J]. 胡鵬飛,謝誕梅,熊揚(yáng)恒.  中國(guó)電機(jī)工程學(xué)報(bào). 2016(10)



本文編號(hào)：3459115