摘要：针对复杂结构高速转轴运行状态难以准确实时监测与识别的问题,提出了一种基于转子系统数据驱动的复合神经网络转轴工况识别方法。首先,提出了一种基于长短期记忆网络(Long short-term memory,LSTM)和卷积神经网络(Convolutional neural networks,CNN)的复合神经网络模型(LSTM-CNN)。然后,建立双盘转子动力学仿真模型,并利用Newmark-β法对转子系统进行数值求解,获得转子系统关键固定节点动力学响应特征;同时基于有限元仿真获得关键旋转节点的动力学响应特征,并将两类数据分别导入LSTM-CNN模型中进行工况识别,并对其准确率和效率进行比较分析。最后,设计搭建高速转子实验平台,获取转子端和固定端数据分别对模型进行训练与验证,比较不同模型对高速转轴运行状态的识别能力。仿真数据与实验验证分析结果均表明基于转子端数据驱动的LSTM-CNN模型识别比传统的基于固定端数据驱动的识别方法具有更优的识别精度和效率。

摘要：监测轮轨力信号对于保障高速列车的安全运行、提高轨道线路的质量管理具有重要意义.然而,现有的轮轨力测试方法不能保证车轮在任意旋转角度下的测试精度与灵敏度,难以实现列车在高速行驶过程中轮轨力的实时连续测量.本文基于柔性电子技术设计了一款新型轮轨力传感器,在柔性衬底上设计环形应变栅结构,利用金属的压阻效应,获取环形区域内的整体变形随轮轨力变化的情况.垂向加载实验结果表明,柔性轮轨力传感器不仅具有良好的线性度,且在循环加载测试中表现出优异的稳定性和可重复性.更重要的是,该柔性轮轨力传感器能保证车轮在旋转任意角度情况下的测试精度与灵敏度.有限元仿真结果表明,在车轮内外两侧相对轴心等距离处布置柔性环形传感器,通过两侧传感器的输出信号可实现对轮轨横向力和垂向力的有效解耦.配合无线传感技术,柔性轮轨力传感器可实现高速列车轮轨力实时连续监测,对我国发展下一代智能高铁具有重要意义.