基于试验数据的钢轨滚动接触磨损预测

摘要

近些年来，高铁快速发展以及轴重的提高，钢轨磨损问题日益严重。轮轨型面因磨损的改变涉及大量车辆与轨道维护的成本，影响钢轨的承载能力，也影响车辆运行安全性和乘坐舒适性。轮轨磨损的复杂性限制了轮轨磨损评估、预测及定量计算的可行性。通过试验数据分析挖掘影响磨损量因素与磨损量之间的关系则是预测磨损量的一个有效途径。预测钢轨磨损量能够指导选择钢轨材料，预测钢轨寿命，帮助制定有效的钢轨检修计划，限制磨损轮轨型面，具有巨大的社会效益和经济效益。
　　本文通过JD-1轮轨模拟试验机获取钢轨磨损数据，基于BP神经网络预测功能挖掘钢轨磨损量规律，主要采用GA-BP神经网络对试验条件下的钢轨磨损量进行预测，并将基于PSO混合算法应用于神经网络权阀值求解，最后对轮轨接触局部情况进行数值计算。主要得出以下结论：
　　(1)GA-BP神经网络的训练结果较稳定，收敛性强。BP神经网络预测磨损避开了复杂理论和未知知识因素的限制，实现轴重、速度及冲角到磨损量之间非线性映射。
　　(2)利用GA-BP神经网络对轴重、速度及冲角及磨损量关系的仿真，载荷(轴重)、速度、冲角(曲线半径)对钢轨磨损量均有很大的影响。
　　(3)由网络仿真得出的轴重、速度及冲角及磨损量关系可得出：铁道线路铺修时应该尽量避免小曲线半径线路和提高线路对应的匹配速度，而列车应该尽量将速度提高到磨损平稳区域，才能延长轮轨服役寿命。
　　(4)基于PSO混合算法应用于BP神经网络的权阀值的求解，避免了梯度下降算法等常规算法对初始值的依赖性，极大的提高了获得最优权阀值的可能性，提高了BP神经网络的逼近精度，对磨损数据样本进行了极好的拟合。磨损数据的噪音大小及样本分布的有效性，是基于PSO混合算法预测效果乃至成功的关键所在，因为本算法逼近性能出色，但容错能力较弱，对噪音比较敏感。
　　(5)随着单轴重的增加，接触斑区域的最大应力也随着增加，由于接触面积增大率大于单轴重增加率，轴重较小时变化率稍大，随着单轴重的增加，最大接触应力的变化率降低。