城市轨道交通车辆车内噪声预测及其在铁路对齐应用设计

文摘

在这项研究中,一个数据驱动汽车车内噪声预测模型开发一个基于随机森林的城市轨道交通系统(RF)和车辆/轨道耦合动力学模型(VTCDM)。该预测模型可以评估和优化铁路对齐的可持续性从车内噪声的角度。首先,数据收集框架通过嵌入式传感器的车载智能手机开发。然后,建立映射关系的动态响应车身和车内噪声,收集到的数据集是RF美联储。参数、误差分布和特性的重要性进行了分析评价和优化射频的性能。优化参数,预测错误的概率在5 dB是86.9%。接下来,VTCDM使用现有的行业建立了多体仿真工具,验证通过对比模拟和现场动态响应。最后,一个案例研究,扩展了应用程序的车内噪声预测模型设计铁路对齐。

1。介绍

到2018年底,35个城市在中国大陆开了180年城市轨道交通(轨道交通)线,操作总里程超过5700公里。此外,地铁线路的长度大约是4350公里,占75.6%的城市轨道交通线路。快速扩张的城市轨道交通网络提供了很大的便利公民和非常有利的解决交通拥挤。作为一个关键组件,炒股地铁在人民的日常生活中是至关重要的。然而,由于铁路的不合理设计平面图和退化轨道基础设施,列车的运行质量和服务时间的增加加剧。此外,这些问题导致内部异常噪音和振动,严重影响乘客的乘坐舒适性。地铁车辆的车内噪声显著影响乘客的经验;因此,设计、施工、运行的地铁线路必须强调[1]。

一般来说,火车噪声可分为两类:外部和内部噪声(2]。室内噪声是一个复杂的外部产生的声场声学和力学激励源传输、衰减,并通过车厢内辐射结构(3]。火车的车内噪声主要来自于电气设备,气动,轮轨噪音的火车2]。地铁列车的运行速度范围内通常是30 - 80 km / h,以这样的速度,轮轨滚动噪声等噪声,尖叫,和影响噪声占主导地位在车内噪声的产生4]。曲线尖叫噪声是一种强烈的噪音产生,铁路车辆通过急转弯时(5]。由于限制在城市,许多锋利的曲线出现在地铁线路;因此,车内噪声引起的尖叫声是认真的。此外,缺陷在车轮和铁轨的踏板,如铁路起皱(4轨头),碎裂,车轮多边形磨损(6),显著影响车内噪声的一代。因此,轮轨噪声可以被视为一个汽车车内噪声的主要来源。

轮轨噪声,包括滚动噪声,噪声影响,尖叫声和曲线,主要是影响轮轨关系当列车沿着一个轨道。然而,轮轨相互作用不仅影响产生的噪声,还会影响车辆的动态响应。例如,当铁路起皱发生一系列动态问题以及严重的列车车内噪声可能会出现。因此,机载设备检测跟踪故障从机舱振动和车内噪声开发(7- - - - - -9]。因为噪声和动态反应都与轮轨关系,假设可以预测车内噪声与车身的动态响应。地铁,火车进入隧道,大部分内部声场的不容易被外部环境因素干扰。因此,我们提出一个想法之间建立一个映射关系车辆车内噪声和列车的动态响应与射频,适合非线性问题。RF算法首次提出的(10];广泛应用由于其鲁棒性强,测量精度高。尽管个人车辆之间的动态响应和车内噪声的不同甚至通过相同的部分对齐、强鲁棒性呈现它能够学习从复杂的数据。

因为射频是一个监督学习算法,需要大量的训练数据集建模时。获取这些数据集,机载智能手机应用程序开发收集地铁车辆的动态响应和车内噪声。随着微机电系统技术的发展,智能手机内置传感器表现出优良性能的便携性和实用性。此外,多个应用程序对交通基础设施状态监测和车辆运动模式识别已报告(11- - - - - -14]。这些应用程序和我们以前的研究表明的传感功能的智能手机可以满足本研究的要求15,16]。

本研究的目的是开发一个数据驱动的方法预测车辆车内噪声的优化城市轨道交通铁路平面图。因此,大量的列车运行状态数据收集使用嵌入式Android智能手机的传感器。随后,车身动态响应之间的关系和内部使用射频噪声建立了地铁。获取模拟车身的动态响应特定铁路比对下,我们建立了一个车辆/轨道耦合动力学模型(VTCDM)通过普遍机制(嗯)软件。

最后,基于映射关系从数据中学习和动态响应的模拟模型,可以预测特定的铁路联盟下的车内噪声。此外,预测结果可以优化铁路比对在设计阶段的应用。本研究的主要贡献如下:(1)提出一种数据驱动的地铁车辆车内噪声预测框架基于smartphone-collected数据集,射频,VTCDM(2)建立一个通过嗯VTCDM基于多体系统动力学软件(3)验证VTCDM和拟议的车内噪声预测模型利用现场试验数据从成都地铁7(4)开发一个应用程序场景优化铁路行业车辆车内噪声的预测模型

本研究的其余部分组织如下。部分2简要回顾之前的研究对于预测车内噪声的方法在铁路领域。节3,建议的方法提供了一个全面的概述。此外,在节4,在我们的模型中使用的数据和功能。部分5描述了射频的建模方法并详细VTCDM。分析结果和讨论部分阐述6。最后,结论提出了部分7。

2。文献综述

因为火车车内噪声直接影响乘客的乘坐舒适,噪声控制成为一个具有挑战性的技术在铁路的设计、施工。许多因素对汽车车内噪声产生影响。室内噪声的潜在来源可以分为两组根据声音的特点:机载和结构传递噪声来源(17]。空气噪声表示轮轨跟踪系统和气动噪声产生的噪声通过空气传播到小屋,和结构传递指的是噪声辐射从车内车辆结构的振动。vibroacoustical信号的偏相干分析的结果表明,结构的振动,结构传递噪声的原因,对车内噪声的贡献超过空气噪声(18]。图1描述了汽车车内噪声的组成和一些关键的影响因素。轮轨接触力,来自轮轨接触表面的粗糙度,激发的振动轮和铁路辐射噪声。另一方面,它传输以及转向架和悬挂系统,最后变成了马车的悬浮力激发振动机舱底部,产生噪声低频(19]。火车的速度旅行,有一个与轮轨力和气动噪声的关系,是一种最关键汽车车内噪声的影响因素。此外,铁路和车轮的胎面粗糙度,轮轨和悬架系统的参数和结构的马车小屋都有影响车辆车内噪声的特点。

目前,许多已进行了调查关于噪声特性的分析20.),音质评价(21),和噪音水平预测(22]。预测汽车车内噪声,通常使用方法包括有限元法(FEM) (23),边界元法(BEM) [24),和统计能量分析方法(缝)3]。每个方法有其局限性,这些方法只能适用于特定情况。达到较高的预测精度和更特殊的泛化能力,混合模型由两个或三个以上的数值方法已被广泛应用于汽车车内噪声的预测。

1966年,格拉德威尔等人首次提出制定声学问题的位移,类似于一个连续弹性结构(25),应用有限元法进行声学分析的开始。有限元法是首先用来预测车内噪声由通用汽车公司的一辆车。由于火车的运行速度低,车辆车内噪声主要是低频结构噪声,和FEM表现良好26]。然而,当卢卡斯等人试图使用有限元预测高频气动噪声,满意的结果不可用。他们表明,有限元法不能预测高频噪声;随着频率的增加,结构的模式变得密集的和不能被当前识别技术(27]。因此,有限元法主要是用来预测汽车的结构和轮轨噪声的身体。

与有限元法不同的是,本不需要声学空间离散;只有边界条件需要离散化,这可以减少计算时间和计算误差最小化。由于边界元法的优越性,它最近被广泛推广。类似于有限元法,第一本也是用来预测汽车的车内噪声(28]。随后,Letourneaux低频范围内建立了列车车内噪声预测模型基于BEM和高频噪声预测问题研究[29日]。很长一段时间,本才申请预测组件的振动和辐射噪声。Soltani在2011年建立了一个完整的使用本列车车辆模型和系统地研究了车身的结构噪声(30.]。然而,本和有限元法的基本原理是相同的,两者都是基于模态分析的方法。因此,本收益率显著预测误差在高频范围内,已验证了其他研究人员(31日]。总之,虽然本改进与有限元法相比,它仍然无法准确地预测全方位列车车内噪声。

SEAM是完全不同的从上面的两个方法。它利用能量作为一个变量来描述系统的状态,其核心是节能。通过构造腔子系统之间的能量流方程,能量存储在相关声学空腔子系统是可用的,可以用来预测声和动态响应。1997年,雷德使用SEAM预测车内噪声引起的汽车引擎。2003年,詹姆斯高速列车的气动噪声预测基于缝,缝的可行性和准确性,预测高频列车车内噪声与风洞试验结果比较验证了(32]。Givargis Forssen使用SEAM预测高速列车车内噪声在各自国家和证明的有效性缝在预测车内噪声在高速列车33,34]。然而,SEAM的准确性取决于阻尼系数矩阵,这是很难获得。

上面的方法是数值方法。尽管他们在特定条件下可以产生更精确的结果,复杂的模型参数和要求大量的计算能力使他们具有挑战性的实际应用。最近,数据驱动方法为不同领域提供了洞察力在铁路运输领域(35]。然而,我们最好的知识,研究关于车内噪声预测基于数据驱动的方法很少。

3所示。研究方法

在此,提出了一种数据驱动的车内噪声预测方法,有别于传统的数值模型,如图2。车辆动力学响应关键参数设计中要考虑轨道交通联盟(36]。一般来说,设计工程师评估铁路联盟从VTCDM模拟车辆的动态响应。随后,车内噪声可以作为一个参考铁路平面图设计中使用的车辆车内噪声预测模型火车。

4所示。数据收集和描述

图3收集数据时显示的设置现场试验与Android智能手机(华为荣耀FRD-AL00)。智能手机被放在了机舱地板上面转向架vehicle-track系统的测量条件当列车沿着轨道。嵌入的惯性测量单元(由意法半导体LSM6DS3、制造)和麦克风传感器(MP34DB02,由意法半导体制造)的智能手机被用来获得振动加速度,角速度和音频数据在测试期间。更详细的信息关于智能手机和传感器如表所示1。根据对比实验,在地板上铺设智能手机直接获得稍微影响垂直加速度的幅值,但它在其他方向和频率域表现良好,没有严重影响我们的分析(16]。此外,在这项研究中,测量坐标系的加速度是改变了智能手机的工具消除不同的坐标系统造成的错误37]。然而,汽车内的加速度在不同的位置是不同的;因此,在这项研究中,智能手机是放置在相同的位置来克服这个问题。

通过阅读嵌入式传感器的智能手机开发应用程序,所需的数据,也就是说,七个类型的信号,是现成的。音频信号是使用麦克风传感器的智能手机,和车身的动态响应包括振动加速度(水平、垂直和纵向加速度)和旋转角速度(螺距角、偏航角和滚动角速度)提供了内置的惯性传感器。在我们的研究中,音频信号的采样频率为22050赫兹,所有的惯性传感器设置为100 Hz。

通过使用麦克风记录的声压不同于人耳感知的(即使是在相同的字段)由于各种因素,如心理影响,存在外耳和耳蜗健康状况。客观地反映旅客的听觉体验,我们雇用了一个权重声压级(SPL (A))在这项研究评估室内噪音。SPL (A)可以计算如下: 在哪里是一个权重声压(Pa)和是参考压强(Pa),它通常设置为2×10吗⁻⁶Pa。数据,包括水平、垂直和纵向加速度和角,偏航角,和滚动角速度收集的智能手机,被用来描述车身的动态响应。然而,仅使用数据收集的车辆中载有智能手机可能不足以解释车内噪声的原因。为了更好的预测结果,我们认为汽车的转动角加速度计算得到的身体转动角速度的一阶导数。列车的运行速度的影响车内噪声的产生是不可忽视的。介绍了作为一个至关重要的参数,火车速度预测模型。因为地铁隧道GPS-free环境中,运行速度和位置信息不可以通过GPS模块嵌入到智能手机。纵向加速度的一阶积分被用来解决这个问题。火车的运行速度可以由以下方程计算(37]: 在这对应于火车的运行速度 , 车身的纵向加速度,是火车的初始速度。因为火车的停止状态使用智能手机,可以很容易认出通常被认为是0。因为速度不能直接验证,通过对相邻频点之间的间隔长度作为地面真理,积分位移和真正的间隔长度之间的误差为9.5%。(37]。在这个模型中使用的数据收集和展示在表2。

使用智能手机收集的原始信号的一个缺点是,它们显示在只有单点,跟踪质量问题的复杂化的生成优化的合理部分的长度。此外,惯性传感器的采样频率和麦克风是不同的,这使它具有挑战性的建立一个点对点的直接关系。因此,一个移动时间窗法。确认最佳的时间窗口,时间窗口的大小从0.5到10年代不同,跳窗的长度是一半时间窗口的大小。此外,一系列的特性被选中来反映窗口内的信号的特点。我们选择的均方根(RMS) SPL (A)在windows的指数室内噪音。对于车身的动态响应,使用有以下特点:(1)中值,(2)RMS,(3)方差,标准差(4),(5)峰值,(6)偏态、峰态(7),(8)形状因子,波峰因素(9)和(10)间隙的因素。在每一帧的车身的动态响应信号,计算这些特征作为输入参数预测模型。

5。建模方法

5.1。射频

射频是一个学习的方法包括数以百计的独立决策树进行分类或回归任务。使用所有树木的结果的平均值作为最终的输出可以显著提高预测精度。射频开发了基于决策树的结构;然而,两个额外的特征,包括装袋和随机子空间方法,增加了提高准确性和鲁棒性。首先,通过创建一系列引导样本,装袋算法基本改善机器学习模型的准确性和稳定性。包装方法的引入有助于减少方差和控制过度拟合。接下来,随机子空间方法旨在提高树独立通过生成树的随机样本特性而不是整个特性集(38]。此外,收集到的原始数据可以直接输入射频模式没有任何预处理[39),使得射频方法更容易实现。此外,射频方法可以用于功能重要性的分析。

作为一个数据驱动的方法,射频更依赖大量的数据进行车内噪声预测。相比之下,数学和物理模型,数据驱动的预测模型不需要复杂的参数,严格条件或假设。此外,这种方法可以减少计算时间和需要更少的计算机内存与数值模型。汽车的动态响应之间的映射关系的身体和车内噪声表现出很强的非线性特征。因为射频结合一系列的决策树,它展示一个优秀的性能拟合非线性关系。因此,本研究选择射频适合之间的映射关系的动态响应车身及车内噪声。

在射频,一个因变量存在,也就是说,RMS的SPL (A)为每个移动窗口。此外,100年独立变量(10×10选择特性;动态响应信号10动力响应信号项2到11列3,表2;10项选择特性2到11列4,表2)输入到模型中。在模型研究中,决策树的数量的影响,窗口大小,模式的最大特点。不同的最大特征模式的计算时间也被考虑在内。使用射频提供的特征选择方法,我们进行了特性分析的重要性。

5.2。VTCDM

使用射频,我们建立了车身的动态响应之间的映射关系和地铁车辆车内噪声。然而,很难发挥其价值只使用这种映射关系。扩大其应用场景,我们建议应用映射关系来评价城市轨道交通铁路平面图的设计基于模拟车辆的动态响应。因此,VTCDM建成,能获得所需的模拟动态响应信号。

车辆的振动可以通过轮轨接触传播给轨道,导致轨道结构的振动。然而,车辆的振动也反过来影响跟踪(40]。因此,跟踪和车辆的振动相互夫妇,这使我们能够评估跟踪状态和列车的动态响应。使用的参数类型地铁,我们建立了车辆子模型,由15刚体,如车体、转向架、车轮、车轴盒子。此外,地铁使用的详细参数类型在我们的模型如表所示3。在模型中,铁路的灵活性和质量都被忽略了。此外,铁路被视为无质量块连接到春天和阻尼力的基础元素。这样一个跟踪模型可以用来分析低频范围的动态响应。高频振动对轮轨接触行为的影响被忽视。然而,这种方法提供了一种计算效率高,满足总体设计要求。在这项研究中,美国五年级频谱改编作为输入的激励模型。最后,nonelliptical接触模型被用来夫妇两个子系统。

6。结果与讨论

射频和VTCDM建立之后,一系列的分析实现。首先,射频性能的回归模型分析的参数调优,功能重要性和误差分布。接下来,VTCDM和车内噪声预测模型是通过现场试验数据验证。随后,应用程序场景评估铁路联盟从车内噪声的角度。

6.1。分析射频回归模型

但是。参数化分析

获得最优参数的射频,决策树的数量的影响,时间窗口的大小,和马克斯特性数字模式性能进行了研究。值得注意的是Out-of-BagR平方(OOB采用作为一个关键参数来评估RF-based回归模型的性能(41- - - - - -43]。图4(一)介绍了决策树的数量对性能的影响的预测模型和不同的时间窗口。一个人可以看到,OOB增加逐渐随着树的数量增加。然而,当有超过150棵树,OOB保持稳定。OOB之间的关系和时间窗呈现在图的大小4 (b)。指出,随着窗口大小的变化从0.5到10年代,OOB显示了一个总体下降的趋势,当窗口大小是0.5年代OOB达到最大值为0.776。与此同时,当地的波动发生当窗口大小是4 s。

形成时的数量特性考虑随机森林显著影响拟合优度。三个最大特征模式,“汽车”、“√”,和“log2”,从计算的角度讨论了时间和拟合优度,如图4 (c)。如果选择“自动”模式,那么功能时需要考虑形成树的数量等于所有功能的数量输入到模型中。如果选中“√”,功能的数量被认为是所有功能的数量的平方根。模式“log2”选中时,功能被认为是二进制数的对数总特征的数量。拟合优度而言,“自动”模式的表现最好的,“i”和“log2紧随其后。“此外,三种方法的计算时间的增加线性增加数量的决策树。在同等条件下,“自动”模式下消耗时间最多,而“√”模式消耗时间略高于“log2”模式。很明显从“自动”模式分析,虽然消耗时间最多,其拟合效果是最好的;“log2”模式计算速度比其他两种方法但最糟糕的表现。

从上面的分析中,RF被证实的最优参数。RF为200棵树,“自动”马克斯功能模式选择在我们的研究中获得更好的拟合结果与更少的计算能力。图4 (d)显示了比较预测车内噪声的射频和现场试验的结果。这个数字表明,车内噪声的射频同意与现场试验的结果。然而,当火车在车站停了下来,明显错误发生。这是因为当火车停止或启动,车内噪声的主要来源的地铁车辆从轮轨噪声机电设备噪声和广播的声音。

6.1.2。预测误差分布分析

此外,我们研究了射频回归模型的预测误差的分布特征(RFRM)。的预测误差分布的RFRM与线性回归模型(LRM) radial-basic-function-based支持向量回归模型(rbf-SVRM)和梯度提高回归模型(GBRM)。图5(一个)显示了不同模型的密度函数曲线的预测错误。图5 (b)显示了不同模型的累积分布函数曲线。首先,预测错误的图中显示射频发生概率最高的区域附近的0,这表明RFRM比另一个更精确的模型,也就是说,GBRM, rbf-SVRM,和LRM秩序。RFRM,预测误差在5和10 dB (A)构成13000个测试样本的86.9%和98.1%,分别。值得注意的是该预测模型的准确性需要进一步改进。

6.1.3。功能的重要性分析

射频功能重要性评价的本质是计算每个特性的平均贡献所有的树在森林里,随后比较这些特性之间的贡献。意味着减少杂质的方法在本研究中采用执行功能重要性分析和方差作为杂质测量(44]。功能重要性分析的结果呈现在图6。显示具体细节很明显,一个放大视图的功能部分包括信号的重要性。共有100个特征信号(10×10索引),和总结这些特性的重要性系数是1。图6显示速度是最高的重要性,达到近0.5。这表明,运行速度是影响车辆车内噪声最关键的因素。偏航率的重要性和纵向加速度与0.10和0.096,排名第二和第三。这是由于偏航率关系曲线半径,在铁路起皱和尖叫声经常发生。在所有的索引、均值、均方根,峰值是最重要的。

6.2。VTCDM和车内噪声预测模型的验证

不仅RF VTCDM显著影响车内噪声预测模型的性能。在图7(一)模拟的动态响应,包括水平加速度(h . acc),垂直加速度(acc),纵向加速度(l . acc),速度,角速度,滚转率,与现场实测数据进行比较。图中显示,模拟数据与实测数据吻合较好。然而,模拟车身垂直加速度是低于测量数据,这可能是由于车身的简化为刚体。测量和预测车辆车内噪声之间的比较如图7 (b)。我们的模型的预测SPL (A)类似于测量数据。然而,我们的模型不能预测车内噪声的波动引起的广播声音当火车启动和刹车。

6.3。案例研究优化铁路对齐的设计

我们开发了一个应用程序的车内噪声预测模型评估铁路平面图的设计阶段。在这项研究中,我们设计了三种类型的铁路平面图,如图8(一个)。这三个铁路联盟有相同的参数除了圆形的半径曲线。圆曲线的半径是400,800,和2000,典型的地铁线路。随后,设计了铁路排列方式输入VTCDM获取模拟车身的动态响应。模拟列车移动以恒定的速度60公里/小时以下三个阵营。随后,预测车内噪声(SPL (A))是通过输入模拟动态反应射频训练。

在图8 (b),提出了预测车内噪声在不同铁路联盟(黑线是指SPL (A)与圆曲线半径400米;红线表示SPL (A)与圆曲线半径800米;蓝线代表了SPL (A)与圆曲线半径2000米)。从图获得结果如下:首先,弯曲的预测SPL (A)段,特别是在圆形部分,高于直线段;接下来,预测SPL (A)的增加,曲线的半径减少。因此,必须避免锋利的曲线在设计铁路联盟降低车内噪声的火车。这个案例研究的目的是验证使用这种车内噪声预测模型的可行性评估铁路平面图。规定设计铁路联盟考虑更多关于经济和列车的运行稳定性,如横向加速度(45- - - - - -47),而乘坐舒适性的重要指标之一,噪声水平不够被认为是在设计铁路平面图。这些规定通常提供一个一般极限值的噪音水平,不能直接应用于铁路平面图设计。比较预测的噪音水平对应不同的比对与限制的值允许我们评估铁路联盟的噪音。组合预测噪声法规的力量能够使铁路平面图设计更合理。

在这种情况下,我们没有考虑不同的车辆,因为只有一种类型的车辆被选为一个特定的地铁线路。为简化模型的情况下,列车旅行速度的影响没有考虑噪声,而在实际操作中,火车通常不断经历的过程starting-speeding维护高旅游speed-speeding down-stopping。在节曲线病害,火车的速度越高,越有可能造成噪音问题,如尖叫。因此,列车旅行速度很高的部分应避免病害曲线或反向曲线尽可能在铁路平面图的设计。

7所示。结论

地铁车辆的车内噪声预测基于射频和VTCDM此处使用收集的数据从车载智能手机。通过参数的研究中,我们证实了射频模型的最优参数:数量的树木,200;时间窗口大小,0.5秒;“自动”马克斯功能模式选择。这样的参数,达到最高值,0.78。误差分析表明,射频比其他模型有较高的预测精度。预测误差在5 dB的概率是86.9%。

功能重要性分析表明,火车的运行速度对车内噪声影响最大的因素。此外,车身的偏航率和纵向加速度显著影响了汽车车内噪声。VTCDM的有效性验证了通过对比模拟和测量车体的动态响应。从作实地试验车辆车内噪声的对比,很明显该预测方法可以准确地预测地铁列车车内噪声的趋势。然而,当地一些nonwheel-rail波动引起的车内噪声噪音,如广播的声音和电气设备,无法正确预测。案例研究表明,拟议的车内噪声预测方法可用于评估和优化铁路对齐早期设计阶段从车内噪声的角度。

接下来,为了提高预测模型的性能,我们可以详细分类训练数据根据不同的特征,如跟踪类型、培训类型和服务时间的跟踪系统。因为车辆跟踪的简化成multirigid-body系统在当前模型降低了预测的准确性,车身的灵活性和跟踪应当考虑在将来的研究中。

数据可用性

噪声数据将根据客户要求提供相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国学术委员会(身份证:201907000077)和中国国家自然科学基金(批准号51878576)。

引用

1. j .张x, x, z,十斤,“一个系统化的方法来识别异常为高速列车车内噪声的来源,”冲击和振动卷,2018篇文章ID 5085847, 12页,2018。视图:出版商的网站|谷歌学术搜索
2. b . t . Atmaja m . f . Puabdillah m . n .法理和w·a . Asmoro”内部的预测和模拟火车噪音导致不同的速度和空调机组,”物理学报文章ID 012038卷,1075年,2018年。视图:出版商的网站|谷歌学术搜索
3. w·戴x郑,l·罗,z,和y秋,“高速列车全方位预测车内噪声使用统计振动和声学能量流,”应用声学卷,145年,第219 - 205页,2019年。视图:出版商的网站|谷歌学术搜索
4. j·汉,x, y, z, g .赵,“铁路起皱对地铁的影响车内噪声及其控制,”应用声学卷,130年,第70 - 63页,2018年。视图:出版商的网站|谷歌学术搜索
5. d·j·汤普森,g . Squicciarini b .叮,l·萨,“最先进的审查曲线尖叫噪声:现象,机制,造型和缓解,“噪音和振动缓解铁路运输系统3-41卷,2018年。视图:谷歌学术搜索
6. j . Zhang g .汉x, y赵,r . Wang和十斤,“车轮多边形磨损的影响在高速列车车内噪声,”浙江大学科学杂志》上,15卷,不。12日,第1018 - 1002页,2014年。视图:谷歌学术搜索
7. h . Tsunashima y Naganuma,松本,t . Mizuma和h森”状态监测使用在职的铁路轨道车辆,”在铁路可靠性和安全性》12卷,第356 - 334页,2012年。视图:谷歌学术搜索
8. y Hayashi, t .小岛,h . Tsunashima和y Marumo,“铁路车辆和轨道实时故障检测,”诉讼制度的工程与技术国际会议上铁路状态监测2007年英国伯明翰。视图:谷歌学术搜索
9. m . Odashima s Azami y Naganuma, h·森和h . Tsunashima”轨道几何估计从车体加速度测量,传统的铁路”机械工程杂志ID 00498条,卷。16日,2017年。视图:谷歌学术搜索
10. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
11. x y, r·汉赵et al .,“初步验证mobile-structural健康监测方法的使用智能手机,”国际期刊的分布式传感器网络,11卷,不。2、文章ID 274391, 2015。视图:出版商的网站|谷歌学术搜索
12. s . h . de Frutos和m·卡斯特罗“使用智能手机作为道路库存,非常廉价的工具”交通研究部分C:新兴技术,38卷,第145 - 136页,2014年。视图:谷歌学术搜索
13. Fortunato艰辛,大肠,c·鲁伊,“智能手机的车载传感功能铁路轨道监控:结构性能和几何退化评估,”土木工程的发展ID 1729153条,卷。2019年,13页,2019。视图:出版商的网站|谷歌学术搜索
14. s . Kanarachos S.-R。g . Christopoulos, a . Chroneos”智能手机作为一个集成的平台来监控司机行为:传感器融合和连接的作用,“交通研究部分C:新兴技术卷,95年,第882 - 867页,2018年。视图:出版商的网站|谷歌学术搜索
15. a . Ghose用p Biswas c . Bhaumik m·夏尔马朋友,和a . Jha”道路状态监测和预警应用程序:使用车载智能手机联网传感器”学报2012年IEEE国际会议上普适计算和交流研讨会IEEE,页489 - 491年,卢加诺,瑞士,2012年3月。视图:谷歌学术搜索
16. r·李y . p . Wang Wang Wang Chen和j·肖,”测量车体振动在城市轨道交通中使用智能手机,”2017年。视图:谷歌学术搜索
17. 小时。能剧,“贡献分析车内噪声和地板振动在高速列车运营转移路径分析,“机械工程的发展,9卷,不。8篇文章ID 1687814017714986, 2017。视图:出版商的网站|谷歌学术搜索
18. h·b·黄黄x r . m . l .杨t . c . Lim和w·p·丁”的识别车辆车内噪声来源基于小波变换和偏相干分析,“机械系统和信号处理卷,109年,第267 - 247页,2018年。视图:出版商的网站|谷歌学术搜索
19. j .张x b·肖x z, r·傅d .姚明,和x金,“中国高速列车车内噪声的特点在不同的条件下,“浙江大学科学期刊投递的杂志上,18卷,不。8,617 - 630年,2017页。视图:出版商的网站|谷歌学术搜索
20. y太阳和y赵”,车内噪声的特点在单轨和噪音控制,”学报Inter-Noise Noise-Con国会和会议卷,258年,页1461 - 1467,噪声控制工程研究所,芝加哥,2018年8月,美国。视图:谷歌学术搜索
21. h . k . Hu y Wang郭,h·陈,“声音质量评价和优化铁路车辆的车内噪声”机械工程的发展》第六卷,820875页,2014年。视图:出版商的网站|谷歌学术搜索
22. l·g·库兹韦尔和r . Lotz预测和控制轨道交通系统的噪音和振动、城市轨道交通管理,华盛顿,美国,1978年。
23. w . Di和j . Ge”分析机架的影响在高速列车车内噪声使用有限元方法,”应用力学和材料卷,675 - 677,257 - 260年,2014页。视图:出版商的网站|谷歌学术搜索
24. l . Franzoni j .唤醒,t·杜瓦尔,“宽带能量边界元法为基础预测车辆车内噪声,”《美国声学学会杂志》上,卷115,不。5,2538年,页2004。视图:出版商的网站|谷歌学术搜索
25. g·m·l·格拉德威尔·g·齐默尔曼,”声能量和补充能量的配方和结构振动问题,“杂志的声音和振动,3卷,不。3、233 - 241年,1966页。视图:出版商的网站|谷歌学术搜索
26. s h .演唱和d . j . Nefske”汽车车内噪声的耦合structural-acoustic有限元模型分析,“振动和声学》杂志上,卷106,不。2、314 - 318年,1984页。视图:出版商的网站|谷歌学术搜索
27. c·卢卡斯,d . Shahmirzadi和m . n .巴拉米”噪声的有限元静态neuro-model开关磁阻马达,”计算声学学报,12卷,不。1,页85 - 97。视图:出版商的网站|谷歌学术搜索
28. e . Ghafoorifard m .克莱森斯x胡,”一个analytical-experimental方法分析低频室内声学的轿车,”在模态分析程序的国际研讨会,3卷,第1338 - 1331页,KU鲁汶,1998年2月美国佛罗里达州奥兰多市。视图:谷歌学术搜索
29. f . Letourneaux s Guerrand f·泊松,“低频声波的传播高速列车:简化的声振模型,”杂志的声音和振动,卷231,不。3、847 - 851年,2000页。视图:出版商的网站|谷歌学术搜索
30. 答:Soltani和m . k . Demmeh”一个简单的车辆在机舱内的噪声分析使用边界元方法,”世界科学院、工程和技术49卷,第634 - 630页,2011年。视图:谷歌学术搜索
31. r·h·里昂和g . Maidanik“线性耦合振子之间的功率流,”《美国声学学会杂志》上,34卷,不。5,623 - 639年,1962页。视图:出版商的网站|谷歌学术搜索
32. b·詹姆斯·h·安德鲁,d .山姆,“Aero-acoustic测试和分析预测内部和外部的铁路车辆aerodynamically-generated噪音,”学报第十届国际大会在声音和振动,页1697 - 1704,斯德哥尔摩国际研究所的声学和振动,斯德哥尔摩,瑞典,2003年7月。视图:谷歌学术搜索
33. Givargis和h·卡里米”,数学,统计学和神经模型能够预测洛杉矶,马克斯Tehran-Karaj特快列车,“应用声学,卷70,不。7,1015 - 1020年,2009页。视图:出版商的网站|谷歌学术搜索
34. j . Forssen托比,a·c·Corakci和a . Frid”造型的室内声场铁路车辆用统计能量分析,“应用声学,卷73,不。4、307 - 311年,2012页。视图:出版商的网站|谷歌学术搜索
35. f·克鲁普,问:他,r . m . p型和x刘,“最近的大数据分析的应用在铁路运输系统:一项调查,“交通研究部分C:新兴技术卷,90年,第246 - 226页,2018年。视图:出版商的网站|谷歌学术搜索
36. x赖和美国保罗”,考虑车辆动力学优化轨道交通的排列中,“交通研究记录,卷2275,不。2275年,第87 - 77页,2012年。视图:出版商的网站|谷歌学术搜索
37. j . y . Wang琮、h·唐x Liu t高,p .王,“速度估计的数据融合方法和位置的一列地铁列车的校准在地下环境中基于低成本传感器在智能手机领域,“IEEE传感器杂志,19卷,不。22日,第10752 - 10744页,2019年。视图:出版商的网站|谷歌学术搜索
38. a . Falamarzi s Moridpour m . Nazem, s . Cheraghi”发展的随机森林回归模型预测跟踪退化指数:墨尔本案例研究,”《澳大拉西亚的运输研究论坛(ATRF), 40, 2018年2018年10月,达尔文,澳大利亚,。视图:谷歌学术搜索
39. c . y . Li邹,m . Berecibar et al .,“随机森林回归在线容量锂电池,估计”应用能源卷,232年,第210 - 197页,2018年。视图:出版商的网站|谷歌学术搜索
40. w .翟,k . Wang和c . Cai”vehicle-track耦合动力学原理”,车辆系统动力学卷,47号11日,第1376 - 1349页,2009年。视图:出版商的网站|谷歌学术搜索
41. 美国Gromping”在回归变量重要性评估:线性回归和随机森林,”美国统计学家,卷63,不。4、308 - 319年,2009页。视图:出版商的网站|谷歌学术搜索
42. d . Liakhovitski y Bryukhov m·康克林,“随机森林预测因子的相对重要性:比较与约翰逊的相对权重,“模型辅助数据和应用程序,5卷,不。4、235 - 249年,2010页。视图:出版商的网站|谷歌学术搜索
43. m .奖金w·瓦格纳,b . Marschallinger Pfeil, Teubner,和c . Rudiger”sentinel-1后向散射植被动态的敏感性:奥地利案例研究中,“遥感,10卷,不。9,1396年,页2018。视图:出版商的网站|谷歌学术搜索
44. Sutera g . Strauss l . Wehenkel a, p .吉尔茨,”理解随机变量重要性在森林树”,先进的神经信息处理系统1卷,第439 - 431页,2013年。视图:谷歌学术搜索
45. 欧盟委员会”,委员会监管(欧盟)没有1304/2014,”2014年,https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32014R1304。视图:谷歌学术搜索
46. GB 50157 - 2013和Mohurd,代码设计的地铁、科学研究、武汉,中国,2013。
47. GB 14892 - 2006和Mohurd,噪音限制和测量城市轨道交通列车的标准、科学研究、武汉,中国,2006。

版权

版权©2020王翳风et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。