文摘

水泥沥青砂浆(CA)脱离碴轨道将引入一个过路的车辆的动态响应的变化,因此可以用来估计分离度。本文新方法叫做CA砂浆分离程度估计算法(CMDEA)提出了通过分析轮通过车辆的加速度。分离度估计转化为一个优化问题,对CA砂浆分离度作为参数的vehicle-track耦合模型。一种改进的遗传算法,将窗口是用于参数优化,这是分成很多阶段,其初始值的先验概率。估计的准确性和鲁棒性进行了讨论,并与常规遗传算法结果比较。仿真结果表明,CMDEA可以用一个可接受的精度估计CA砂浆度。同时,该算法具有较低的错误值和计算时间要短得多。此外,算法的鲁棒性在不同的车辆速度,跟踪违规行为,和信号噪音也证实。

1。介绍

调试的京津城际铁路在2008年,中国高速铁路的运行里程已超过20000公里。随着高速铁路正在迅速的发展,碴轨道被广泛采用在许多国家由于其具有稳定性好,良好的耐久性,减少维护(1]。中国铁路系统ii的基础(CRTSII)板碴轨道由轨道板、cement-emulsified沥青(CA)砂浆层,支持层,和一个堤。车辆的速度大大增加,车轮和轨道之间的动态效应也增加,从而加强对基础设施的动态影响。CA砂浆是一个关键组成部分的弹性调整图层碴轨道,它的性能直接影响到服务板碴轨道设备的耐用性。由于施工质量控制的难度和轨道板的翘曲作用,CA砂浆往往会不同程度的恶化。当整个CA砂浆层分开轨道板的接口,它将产生一个完整的丧失凝聚力,这种现象称为CA砂浆分离。如果不及时修理,它将加速轨道的结构性破坏,甚至有负面影响交通安全。因此,CA砂浆分离检测是必要的,以确保车辆的安全运营和制定及时的铁路维护计划。

目前,广泛研究领域的无损检测进行了混凝土缺陷检测。然而,引用在CA砂浆分离鉴定是可数名词,其中大部分集中在脉冲锤激励方法。陈(2)评估的有效性强调分层结构中的弹性波检测分层媒体基于弹性波传播理论和弹性波的时间频率特性字段。胡(3]研究应力波的传播速度和法律跟踪板和估计使用impact-echo方法形成蜂窝状的深度。钟等。4)提出了一个基于一组探测器阵列检测方法在多层弹性波传播媒体,可有效检测被分类在CA砂浆层的空间分布。田et al。5)砂浆的可行性讨论缺陷检测使用瞬态弹性波的方法。结果表明,CA砂浆的缺陷可以检测到使用频带的特征峰和弹性波的功率密度值。李等人。6]应用梯度提高了回归树(GBRT) CA砂浆分离检测使用产生的声音信号传递列车检测定性的损害。上述方法进行基于脉冲锤只能在天窗时间与效率低的缺点和有限的识别区域。

铁路基础设施服务状态监测用过往的车辆自2000年以来一直是一个新的研究领域,显示了有前景的结果在结构健康监测7]。它的主要前提是轨道结构的物理性质的差异如质量、刚度和阻尼的变化会引起振动的特点。直接检测方法是安装传感器跟踪和检测损失通过分析轨道的振动响应。这需要大量的传感器被放置在轨道上。一种替代方法,更有成本效益的检测方法是山汽车传感器和检测跟踪车辆损失利用的动态响应。过去的二十年中,有研究试图使用间接vibration-based方法检测桥梁破坏。杨et al。8,9]首先提出的理论从车辆提取桥梁的一阶固有频率响应,然后进行验证测试。Zhang et al。10)描述了一种基于新方法操作偏转形状曲率提取过往车辆的动态响应,可以用来检测当地损害梁和板结构。Molodova et al。11)使用一个模型来确定的特征之间的定量关系轴箱加速度和短道缺陷。车载使用车辆动态响应方法有潜力用作监视工具来估计跟踪基础设施条件。尽管如此,大多数的这些间接方法利用低速车辆和涉及干扰正常的轨道交通。

近年来,越来越多的研究人员智能传感算法引入场基于车辆发动的间接方法。李和非盟12)提出了多级基于模态应变能的损伤诊断方法和遗传算法来确定损伤的位置在一个双跨度连续桥。夸克et al。13]提出了一种方法来估计使用叉铁路轨道刚度优化技术。李等人。14)使用一个方法基于广义模式搜索算法来识别桥梁参数间接地使用一个过路的车辆。

典型的智能优化算法包括模拟退火(SA)、梯度下降方法,遗传算法(GA)等。尽管模拟退火和梯度下降法实现快速收敛局部优化,他们很容易陷入局部最小值,导致全局搜索能力较差,低的优化性能,减缓甚至没有全局收敛性。此外,梯度下降方法需要计算衍生品,可为大型非线性问题。约翰•霍兰德提出的遗传算法,首先在1975年,达到适应性的个体通过自然选择的机制,交叉,变异生物遗传学和模拟自然的演化过程。这是一个nonderivative-optimized随机优化搜索算法具有较强的全局搜索能力和鲁棒性。作为全球概率搜索算法,自适应遗传算法非常适合于解决复杂的非线性优化问题。因此,它广泛应用于全局优化(15,16),搜索(17),和机器学习18上下文。为了克服普通遗传算法的运行时间长的缺点,本文采用一种改进的遗传算法,即分成若干阶段,其初始值给出的先验概率。

目前,研究CA砂浆分离度的估计基于过往的车辆的动态反应仍然是一个空白领域。本文提出了一种新颖的方法估计的CA砂浆分离程度通过车辆车轮加速度的分析。在整个论文的方法被称为CA砂浆分离程度估计算法(CMDEA)。vehicle-track耦合模型与本文中使用CA砂浆分离模型和动态响应的仿真结果中描述的部分2。介绍了CA砂浆分离程度估计算法部分3。数值模拟结果显示和分析部分4,该算法在不同条件下的鲁棒性验证的部分5。

2。模型描述

2.1。汽车模型

如图1(一)车辆作为multirigid建模系统,移动的速度在轨道结构 ,由三个质量: 代表了车身质量, 代表转向架的质量, 代表车轮质量(19]。考虑到垂直的翻译和点头运动车体和转向架、车轮的垂直翻译,车辆系统有10个自由度(自由度)。组件由弹性弹簧和阻尼器连接,代表中等和车辆的主要悬挂,分别。

(一)
(一)
(b)
(b)
图1
车辆和轨道模型:(a)车辆模型;(b)无板式轨道模型。

一般形式的车辆系统的运动方程可以表示如下: 在哪里 , ,和 的质量、阻尼和刚度矩阵的车辆;向量 , ,和 是车辆位移、速度和加速度,分别;和 是车辆系统的力矢量。

2.2。跟踪模型

如图1 (b),这里的跟踪系统模型作为连续梁支持三层弹簧阻尼系统,代表了铁路垫,CA迫击炮,分别和路基。

运动方程的一般形式跟踪系统可以表示如下: 在哪里 , ,和 全球质量、阻尼和刚度矩阵的跟踪系统;向量 , ,和 跟踪系统位移、速度和加速度,分别;和 的力矢量跟踪系统。

中国铁路高速2 (CRH2)电动多个单元(EMU)拖车和高速线与中国铁路系统II (crt II)跟踪板被认为是。相应的属性值被收集的文献[19),表中列出1和2。

表1
属性CRH2动车组拖车。
表2
高速铁路的属性。
2.3。耦合模型

确定轮轨垂向力,我们应用赫兹非线性弹性接触理论vehicle-track垂直耦合关系。当车轮踏面磨损类型、轮轨垂向力的表达 在哪里 ; 和 代表的垂直位移 车轮和轨道 轮轨接触位置时 ,分别; 在轮轨界面代表了跟踪不规则;和 赫兹接触系数。

车辆系统的力矢量的表达式

力矢量的表达式的跟踪系统 在哪里 , ,和 的模态订单是铁路、轨道板,和具体支持层,分别和 在模型中是轨道板的数量。 是铁路的模态形状函数,表达式可以写成如下:

2.4。跟踪不规则

考虑轨道的影响不规则的振动耦合模型、时域随机不规则样品使用中国碴轨道生成功率谱密度(PSD)的功能 中国铁道科学研究院提出的。拟合方程如下: 的单位 是毫米2/ (1 / m); 是空间频率(1 / m); 和 拟合系数。时域随机不规则样品中国碴轨道谱计算使用快速傅里叶逆变换(传输线)方法。

2.5。CA砂浆分离模型

CA砂浆分离的条件可以通过改变模拟作为刚度损失的系数表示CA砂浆的弹性弹簧和阻尼器在相应的区域(20.]。为了模拟分离,建立一个离散的CA砂浆模型,其中CA砂浆分为许多单位的纵向长度 (21]。

CA砂浆分离模型如图2。沿着铁路方向是纵向方向,而铁路垂直的方向是横向的方向。CA砂浆分离条件可以衡量两个参数,其中一个是CA砂浆纵向分离长度 和其他的横向分离程度 CA砂浆单元 。

(一)
(一)
(b)
(b)
图2
CA砂浆分离模型:(一)纵向视图;(b)横向视图。

如图2, 可以表示为 在哪里 整个轨道板宽度crt II轨道板(2.55米),然后呢 的宽度吗 CA砂浆单元没有发生脱离。因此, 表明, CA砂浆单元外侧方向是完全自由的,而 意味着70%的 CA砂浆单元在横向方向上分离。然后的支持力量 CA砂浆单元在跑道上板可以表示为 在哪里 和 是铁路和轨道板的位移,分别。

当CA砂浆脱离纵向长度小于0.65米,脱离在方向盘上加速度的影响不明显(22,23]。因此,0.65将被认为是作为一个单位的纵向长度在这个模型中,也就是说, 。因此,CA砂浆纵向分离长度 可以评估单元,而横向脱离学位 每个单元的值都是我们想要的估计,本文关注的焦点。

整体模型的原理图中使用本文图所示3。本文模拟的长度是16轨道板,即。104米。轨道板的位置由1∼没有。16。为crt II碴轨道认为本文有10 CA砂浆单元对应一块轨道板。考虑轨道的长度被车辆(20 m CRH2动车组)和车轮加速度信号的边界效应,CA砂浆分离条件的第一个5和最后一块轨道板(1∼没有。5、16)被认为是已知的。在本文中,我们针对后续的分离度参数估计的10块轨道板(6号∼。15),无论边界效应,对应于100单位( )。下标数字 代表每个CA砂浆单元的订单号。


图3
整体模型的示意图。
2.6。仿真结果

评估的概念CMDEA本文使用vehicle-track耦合模型的数值模拟。假设CA砂浆分离条件是用于演示CMDEA的功能。CA砂浆分离的假设条件的值将这里称为“实际”的值如下: 与其他单位的分离度设置为0。

耦合的方程模型解决了使用基于纽马克多步预示校正的方法,作为Matlab(由翟19]。汽车旅行的跟踪以恒定速度300公里/小时。用于所有模拟扫描频率10 kHz。模拟加速度信号时前轮的车辆穿过跟踪模型包括假设CA砂浆分离条件是作为“测量”信号,如图4。然后,模拟响应(“测量”信号)输入CMDEA,用来估计CA分离度。


图4
模拟信号轮加速度。

3所示。CA砂浆分离程度估计算法(CMDEA)

CA砂浆分离程度估计算法在本节描述基于适应遗传优化算法。分离度估计转化为一个优化问题,对于脱离vehicle-track耦合模型的程度作为一个参数。

3.1。使用遗传算法CA砂浆分离程度评估原则

本文应用遗传算法来估计CA砂浆分离度的动态响应时路过的车辆跟踪。考虑到CA砂浆分离度作为个体,参数转换为一维数据字符串。在每一代个体的健康逐渐增加利用遗传操作,最后收敛于最小化目标函数的一群人。

首先,人口的CA砂浆分离度向量生成随机在[0,1]。对于每个种子在人群中,CA砂浆分离度产生矩阵,计算和模拟的加速度信号轮使用vehicle-track耦合模型。然后计算目标函数值来评估每个种子的质量。

在这篇文章中,目标函数是作为平方的总和差异轮加速度计算为每个审判CA砂浆分离度矩阵, ,和机上的模拟车轮的加速度测量系统, 。目标函数的方程 在哪里 扫描的总数在加速度信号。

3.2。依据CMDEA的结构

CA砂浆单元的分离不仅影响车辆的反应通过单位,但也有影响,当车辆通过前面的单元,如图5(一个)。为了消除边界效应,必须包括一个数量单位的评估过程的开始。量化的影响分离装置在方向盘上加速当一辆车经过前面的单位,指数的影响 定义如下: 在哪里 是每个单元的采样点数量; 和 代表车轮加速度在健康受损的CA砂浆,分别;和下标的数字 代表前单位的订单号。

(一)
(一)
(b)
(b)
图5
边界效应分析:(a)图效果指数;(b)效应指数(l= 0.65米,d= 1)。

图5 (b)显示了CA砂浆的影响指数脱离单元(l= 0.65米,d= 1)轮加速度当车辆通过5前单位。可以看出,影响指数的1圣单位是大,但随着分离单元的距离变得更长。影响指数的3理查德·道金斯单位非常小,可以忽略。因此,前2单位的影响需要考虑每个单元的评估过程。

3.3。改进遗传算法和移动窗口

沿着轨道CA砂浆分离程度各不相同,这意味着代表参数d我是不同的,多个参数需要估计。考虑决定的可能性限制参数的优化过程中,遗传算法的改编版本,使用移动窗口。总评估过程分为若干阶段,少数的CA砂浆分离度估计在继续之前到下一个阶段。分阶段逐步通过CA砂浆分离度显著降低了问题的维数。

由于不同的CA砂浆的影响分离度的动态响应车辆经过时前2单位分离单元,长度为4单位用于CMDEA长度作为一个阶段。CA砂浆分离度在每个阶段估计在过去2单位的阶段。CMDEA步骤通过CA砂浆分离度阶段使用分离程度的评估模板,如图6(一)。绿色代表已知参数;灰色代表未知参数估计将在当前阶段;白色代表未知参数设置为0。CA砂浆分离度值第一2单位从之前的阶段,而在过去的两个单位,他们估计在当前阶段,用作第一个已知值2单位在下一阶段。为了确保车辆动态平衡的每个阶段,初始值的动态响应向量(位移、速度和加速度)传输的耦合模型在当前阶段前一阶段使用值估计的CA砂浆分离度。

(一)
(一)
(b)
(b)
图6
改进的遗传算法和移动窗口:(一)步进过程;(b)流程图CMDEA:阶段j。

针对CA砂浆的先验概率是健康的在大多数情况下,例如, ,采用一种改进的遗传算法优化过程在每一个阶段。生成初始种群时,第一种子初始化的值(0,0)。之间的差异的平方和测量和计算估计的信号。如果第一种子的目标函数值最小,的值(0,0)然后作为最优解在当前阶段。否则,所有的种子人口是目标函数值排名和遗传操作进行改进解决方案在下一代的人口直到达到收敛。

估计CA砂浆分离度的过程阶段j如图6 (b)。

4所示。结果与讨论

数值试验的结果估算CA砂浆CMDEA脱离本节中给出。参数用于CMDEA表中列出3。

表3
CMDEA参数。

最优解的目标函数值为五个损坏的单位在每个迭代见图7(一)。可以看出函数的最优解收敛不断在遗传算法的进化,和目标函数的值变得越来越小。可以看出从一开始的演化过程的优化,优化的种子迅速,80代之后,目标函数值趋于稳定。因此,100年作为迭代次数的上限。

(一)
(一)
(b)
(b)
图7
仿真结果:(一)目标函数最优解的值在每个迭代;(b) CA砂浆分离程度估计的结果。

CA砂浆分离程度评估结果如图7 (b)。黑色的圆圈代表了权责发生制的价值观,而红色星星代表了估计的。

从图可以看出7 (b)估计的值几乎是符合实际的。为了符合整体误差的实际值与估计值之间的CA砂浆分离度,误差幅度 被定义为 在哪里 代表单位的订单号, 代表单位是估计的数量, 和 代表实际的估计价值 单位,分别。

表4显示所需的错误值和总计算时间比较CMDEA使用常规遗传算法和改进遗传算法,分别。模拟进行使用4 GHz处理器运行在Matlab和16.0 GB的RAM。

表4
比较误差和计算时间。

自从改进遗传算法简化了优化过程对于大多数健康的单位和减少累积误差,它具有较低的错误价值和更短总计算时间与常规遗传算法相比,如表中所示4。因此,本文中使用的CMDEA有效估算CA砂浆分离度与可接受的精度。

5。CMDEA在不同条件下

当车辆速度、跟踪违规行为,和信号噪声水平是不同的,vehicle-track耦合系统的动态响应也不同。为了验证CMDEA的鲁棒性,在不同条件下其性能将在本节中讨论。

5.1。车辆速度的影响

汽车的动态响应将会改变汽车的速度变化。产生的车轮加速度vehicle-track模型的速度250公里/小时,360公里/小时调查在这一节中。上面的其它仿真参数是一样的模拟。评估结果在不同车辆速度如图8。

(一)
(一)
(b)
(b)
图8
估计的结果CMDEA车辆在不同速度:(一)250公里/小时;(b) 360 km / h。

根据方程(13),车辆的速度250公里/小时,360公里/小时,相应的值E分别是0.0027和0.0015。车辆速度有小影响预测的准确性,和CA砂浆分离度可以估计在两个速度。因此,CDMEA展示了各种车辆速度估计的鲁棒性好。

5.2。追踪违规行为的影响

为了验证不同跟踪下CMDEA违规行为,采用德国low-disturbance频谱并输入到算法,与相应的结果如图9。


图9
估计的结果与德国low-disturbance CMDEA频谱。

从图可以看出9条件下,CA砂浆分离度也可以估计除了有限的错误估计。这个错误E是0.0048。

追踪违规行为与较大的振幅对动态响应有很大的影响比CA砂浆脱离,导致较大的误差值。由于德国low-disturbance较大的振幅谱在时域与中国碴轨道谱相比,估计精度会降低。

5.3。噪声的影响

当评估CMDEA的有效性,其鲁棒性对测量噪声应考虑。验证容忍噪声,模拟进行了通过添加增加高斯信号噪声水平的1%,3%,5%,10%(信噪比40 dB, 30.5 dB, 26 dB,和20 dB)启动CMDEA前车轮加速度信号。CA砂浆分离度的估计和实际值的范围增加了信号噪音图所示10。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图10
估计的结果CMDEA不同噪声水平下:(a) 1%的信号噪声;信号噪声(b) 3%;信号噪声(c) 5%;信号噪声(d) 10%。

从图可以看出10该CA砂浆分离度甚至可以估计在低噪声和测量信号噪声的10%。估计误差是9.9154e-04年,0.0012,0.0015和0.0025。信号噪声水平的增加导致的增加的错误估计CA砂浆分离度。

6。结论

CA砂浆脱离碴轨道将引起变化的动态响应的车辆,因此可以用来估计分离度。摘要描述了CA砂浆分离度估计方法通过分析轮通过车辆的加速度。CMDEA雇佣了一个适应遗传算法将窗口参数优化的过程分为若干阶段,并给出初始值的先验概率。CMDEA步骤通过跟踪阶段,获得整体分离度。估计的准确性和鲁棒性进行了讨论。

从本文中给出的仿真结果,结果表明,CA砂浆分离度估计的算法与假设值一致认为,和在不同跟踪算法的鲁棒性进行了验证速度,跟踪违规行为,和信号噪声水平。与常规遗传算法相比,改进算法具有较低的错误值和总计算时间要短得多。CMDEA方法本文假设收敛限制为100。这个上限值的影响还没有被调查。增加这个值会提高精度的方法,但在计算时间成本。

该算法使用一个vehicle-track耦合模型,以模拟反应为实地测量来估计CA砂浆分离度。理论分析和仿真实验进行了获取相应的结果,为现场检测提供理论依据的CA砂浆分离在未来。在实际应用过程中,由于不同的实际车辆参数和理论参数,估算值的实际CA砂浆分离程度和仿真结果可能会有所不同。因此,未来实验CMDEA涉及测量传感器的安装是必要的验证和改进CMDEA的准确性。改进的健壮性CMDEA通过结合不同的线结构的特点,车辆类型和操作条件为未来的研究也是一个重要方向。

数据可用性

所有生成的数据或分析在研究过程中都包含在本文。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是国家重点支持的研究和发展项目批准号下的中国2016 yfb1200401和中国铁路的技术研究和开发项目批准号2017年g002所致。