基于深度学习的轨道不平顺估计车体横向加速度研究

针对轨道不平顺影响行车安全和乘坐舒适性的问题，开展轨道不平顺和车体振动响应之间关联关系的研究.根据轨道不平顺与车体横向加速度数据之间的时空传递特性，基于卷积神经网络（Convolutional Neural Network, CNN）与长短期记忆网络（Long Short-Term Memory, LSTM），建立一种CNN-LSTM组合模型.首先，对轨道不平顺与车体横向加速度之间的相干性进行分析，同时探究列车运行速度对车体横向加速度的影响，进而确定模型的输入数据；然后，对模型进行优化，确定CNN-LSTM组合模型参数细节；最后，利用CNN-LSTM组合模型、LSTM模型和多体动力学仿真模型对车体横向加速度进行估计，并与实测的车体横向加速度进行对比分析.研究结果表明：CNN-LSTM组合模型预测的平均均方根误差值为0.046，相比于LSTM模型、多体动力学仿真模型的平均均方根误差值分别减少了0.006和0.026，说明了CNN-LSTM组合模型能够对车体横向加速度进行有效估计.