摘要：介绍电动车组牵引变压器专用温度继电器工作原理及其技术要求,参考JJF 1908—2021《双金属温度计校准规范》,设计电动车组牵引变压器专用温度继电器示值误差校准装置,并评定示值误差校准结果不确定度。结果表明,电动车组牵引变压器专用温度继电器示值误差校准结果的扩展不确定度小于专用温度继电器最大允许误差绝对值的1/4,满足量值传递要求。校准装置的成功研制,为制定电动车组牵引变压器专用温度继电器检定规程或校准规范提供参考。

摘要：为利用列车的车体振动加速度来准确反演铁路的轨道高低不平顺值,提出一种基于灰狼优化算法(GWO)、卷积神经网络(CNN)和长短期记忆网络(LSTM)构建车体振动加速度与轨道高低不平顺值的关系模型(GWO-CNN-LSTM)。首先,将轨检车的实测数据根据轨道检测数据特点,采用莱因达准则进行异常值剔除的预处理;然后,利用处理后的数据以车体振动加速度作为模型的输入,以轨道高低不平顺值作为模型的输出,利用CNN学习车体振动加速度的波形信息,将CNN学习到的特征输入LSTM;最后,再用GWO优化LSTM模型的关键参数,进而反演出轨道高低不平顺值,为突出该模型的适应性,又随机选取了其他区段进行了反演。文中采用3个性能指标来评价模型,并与其他经典的方法进行对比分析。结果表明,GWO-CNN-LSTM模型的均方根误差、平均绝对误差和拟合优度分别为0.141、0.107和0.977,与单一的LSTM相比,GWO-CNN结合LSTM可以使拟合优度提高20.1%;与循环神经网络、BP神经网络和支持向量回归相比,所提出的GWO-CNN-LSTM模型其均方根误差降低68.1%~79.1%,平均绝对误差降低60.4%~68.3%,拟合优度提高27.7%~44.9%,验证了GWO-CNN-LSTM模型用于轨道高低不平顺值反演的有效性。GWO-CNN-LSTM模型为铁路轨道高低不平顺反演研究提供了新的思路。