基于动力学仿真数据的高速列车蛇行状态识别

摘要

近年来,人工智能技术广泛应用于高速列车运行状态的识别.用作列车运行状态识别的机器学习和深度学习模型需要大量的数据,然而在实测数据中获取的蛇行失稳数据样本少且不均衡,再者,由于实测数据获取成本高,实际采集数据困难,难以满足各种运行条件(稳定、小幅蛇行失稳和大幅蛇行失稳状态).为解决以上问题,通过SIMPACK软件建立高速列车动力学仿真模型,模拟出车辆的各种运行状态数据.对仿真数据和实测数据进行互信息分析和希尔伯特-黄变换(HHT)分析,发现仿真数据在时域特征和频域特征上与实测数据高度相似.把仿真数据作为训练集,用来训练高速列车运行状态识别的人工智能算法模型,再用实测数据作为测试集进行验证.实验结果表明:仿真数据用于机器学习和深度学习模型中都能得到很好的结果,说明仿真数据可以作为训练集用于复杂的深度学习模型中.