数字孪生在列车曲线通过性能预测中的应用研究

摘要

提出一种基于数字孪生技术的列车曲线通过性实时预测方法,解决传统动力学仿真方法在列车曲线通过性能分析时,面临的多自由度耦合模型构建复杂、不确定性因素分析困难等问题,提高仿真结果的实时性与精确度。构建面向列车曲线通过安全性的数字孪生体,可视化呈现列车曲线通过时安全性指标的动态变化过程。利用MQRNN深度学习算法稳健高效的特点,对列车曲线通过时的构架横向加速度、轮轴横向力、轮轨垂向力、脱轨系数等安全性指标进行特征提取,动态仿真以及实时预测,并将结果与LSTM计算结果进行比较。结果表明,相对LSTM方法,提出的MQRNN方法将最大误差,最大绝对误差分别降低至0.017, 0.09,同时具有更好的抗干扰能力,可以给出置信区间为90%的预测结果。所研究为列车曲线通过数字孪生体的构建及安全性预警奠定了基础。