一种轨道车辆制动盘温升预测方法

本发明涉及轨道车辆领域，尤其是涉及一种轨道车辆制动盘温升预测方法。

背景技术：

1、轨道交通车辆因其速度快、运营时刻准、载客量大等特点，成为人们日常生活中被广泛采用的交通出行方式。随着列车速度的不断提高，对制动安全性和可靠性的要求更为严苛。目前，列车的空气制动一般采用盘形制动，通过闸片和制动盘间的机械摩擦产生制动力，在制动过程中制动盘盘面温度急剧上升，由于盘面温度分布不均，所以制动盘内部会有热应力的产生，从而影响制动盘的使用寿命，并且盘面温度也会影响到车下周围的设备寿命。因此，制动盘温度变化是计算制动盘热疲劳寿命、规划列车运行工况以及设计制动系统结构部件的重要因素，是列车制动安全管理的重要部分。

2、目前，对于列车制动盘温度预测的研究方法主要有建立制动盘有限元瞬态热分析模型与开展制动盘台架试验。前者基于传热学理论，研究制动过程中制动摩擦副的热传导、热对流与热辐射现象，基于此结合列车实际运行工况参数与有限元方法建立制动盘瞬态热分析模型；后者则使用1：1台架模拟实际列车制动过程，使用传感器测量制动盘温度变化。学者通常采用建立制动盘有限元模型，并以典型工况的台架试验结果对有限元模型进行修正验证，以获得准确的制动盘热分析有限元模型，通常能够取得良好的预测效果。

3、然而，上述的列车制动盘温度预测方法存在以下不足：

4、由于有限元计算包含数万计的单元节点信息，因此进行一次较长的列车工况计算往往需要数十小时的时间，并且还需要包括繁琐的界面操作与结果后处理时间。而台架试验也需要大量的试验准备时间。另外有限元计算软件有着较高的使用难度，台架试验也需要花费大量的人力、物力成本。

5、新型列车对列车安全管理提出了更高的要求，即实施实时的制动盘热管理。因此需要根据列车运行信息实时得到制动盘温度变化情况，而目前的制动盘温度预测方法需要较高的时间成本从而无法满足列车对于制动盘温度快速预测需求。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种轨道车辆制动盘温升预测方法，以满足列车对于制动盘温度实时热管理的需求，从而更好地保障列车运行安全，提升列车智能化安全管理水平。

2、本发明的目的可以通过以下技术方案来实现：

3、本发明提供了一种轨道车辆制动盘温升预测方法，该方法包括以下步骤：

4、s1、根据制动盘本构参数和相关台架试验数据，建立制动盘瞬态热分析有限元模型；

5、s2、以制动盘温度为切入点，分解得到典型的列车运行子工况；

6、s3、结合列车运行子工况与列车实际需求，选定制动盘温度预测模型的输入参数与输出参数；

7、s4、根据选定的输入参数，分别针对每个列车运行子工况设立一种可覆盖列车设定运行参数范围的仿真分析工况组合方案；

8、s5、建立多种制动盘温度预测模型并采用不同列车运行子工况的仿真数据进行模型训练；根据制动盘瞬态热分析有限元模型与台架试验结果，为每个列车运行子工况选取误差最小的制动盘温度预测模型作为该运行子工况下的最佳制动盘温度预测模型；

9、s6、根据实际线路运行工况信息，组合多个列车运行子工况的最佳制动盘温度预测模型，得到线路运行条件下完整制动盘温度预测模型，进行轨道车辆制动盘温升预测。

10、优选地，所述步骤s1中的制动盘本构参数包括制动盘结构尺寸以及制动盘材料参数；所述制动盘结构尺寸包括盘径、厚度和摩擦面尺寸，所述制动盘材料参数包括比热容、密度和热传导系数。

11、优选地，所述步骤s1中的制动盘瞬态热分析有限元模型中，关键载荷处理方法具体为：

12、根据列车运行工况，计算得到列车的热流密度载荷、对流散热载荷与热辐射载荷；依照摩擦功率法将热流密度载荷施加到制动盘摩擦面，并将对流散热载荷与热辐射载荷施加到对应的制动盘表面。

13、优选地，所述步骤s2中以制动盘温度为切入点，分解得到典型的列车运行子工况，具体为：以制动盘温度为切入点，采用贪婪算法分解得到列车运行子工况。

14、优选地，所述步骤s2中典型的列车运行子工况包括常用/紧急制动工况、停车工况、加速子工况、惰行工况与坡道制动工况。

15、优选地，所述步骤s3具体为：将制动条件参数作为制动盘温度预测模型的输入参数，将制动盘温度最高节点的温度值作为制动盘温度预测模型的输出参数。

16、优选地，所述制动条件参数包括环境温度、制动初速度、制动减速度和轴重。

17、优选地，所述步骤s4具体包括：

18、针对紧急/常用制动工况，参考列车实际运行条件，取环境温度、制动初速度、制动减速度、轴重作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；

19、针对停车工况，取停车时间作为输入因子，取三个水平，并承接紧急/常用制动工况组合，得到243组工况；

20、针对加速工况，参考列车实际运行条件，取环境温度、列车加速度、列车最终运行速度、加速启始时制动盘温度值作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；

21、针对惰行工况，参考列车实际运行条件，取环境温度、惰行启始温度值、列车运行速度，惰行时间作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况；

22、针对坡道制动工况，参考列车实际运行条件，取环境温度、坡度、列车运行速度，坡道长度作为输入因子，针对每个输入因子取三个水平进行排列组合，得到81组工况。

23、优选地，所述多种制动盘温度预测模型包括bp神经网络模型、ga-bp神经网络模型和多元非线性回归模型；所述ga-bp神经网络模型采用遗传算法ga对bp神经网络进行优化；

24、将不同列车运行子工况的仿真数据输入至对应的bp神经网络模型、ga-bp神经网络模型与多元非线性回归模型进行训练。

25、优选地，对于基于bp神经网络模型的温度预测模型，根据每一个子工况建立三层神经网络预测模型，分别根据经验公式确定每一个子工况预测模型的隐含层节点。

26、与现有技术相比，本发明具有以下有益效果：

27、1)本发明所提供的制动盘温度快速预测方法可以实时地得到列车在线路运行过程中的制动盘温度变化，能够满足轨道车辆实时热管理的需求，弥补了传统的有限元仿真方法与台架试验测量方法所需时间成本过高的缺点，为轨道车辆制动盘温度预测提供了新的思路方法。

28、2)本发明基于机器学习建立轨道车辆制动盘温度预测模型，采用经过台架试验验证过的有限元仿真模型得到的制动盘温度变化数据进行训练。得益于目前深度学习算法水平的提升以及计算机计算能力的进步，得到的预测精度较高，避免了部分情况下仿真方法错误亦或台架试验测量不准的问题，提升了预测的准确度。

29、3)本发明基于贪婪算法，将轨道车辆线路运行工况进行分解，得到数个子工况，通过对每个子工况进行分析以及模型构建，并最终将子工况温度预测模型组合在一起，得到了轨道车辆完整线路运行工况下制动盘温度预测模型。这大幅度降低了采用完整线路运行工况数据进行分析的难度，并为复杂工况下的制动盘温度预测提供了新的思路。

30、4)本发明考虑了bp神经网络算法容易陷入局部最优点的缺点，采用了遗传算法对bp神经网络的权值与阈值进行了优化，提升了所建立的温度预测模型的精确度。并且同时建立了多元非线性回归模型，与神经网络模型进行对比分析，最终根据台架试验结果与有限元仿真结果进行对比验证。

31、5)本发明通过将列车运行信息的实时导入，即可在内部通过数理模型计算得到轨道车辆制动盘温度变化，技术人员无需技术操作即可得到温度结果。相较于传统有限元仿真的较高软件应用门槛以及台架试验时对测量技术的较高要求，本发明无需技术层面要求，大大降低了目前制动盘温度预测技术领域的使用门槛。