向平穩性指標、脫軌系數、輪重減載率、輪 軸橫向力、傾覆系數和臨界速度都被列于問題解決范圍之內，并且作為整體目標同時進行 優化，更加符合工程實際情況。
【附圖說明】
[0030] 圖1本發明的流程圖
[0031]圖2本發明所采用高速列車計算仿真建模拓撲關系圖
[0032] 圖3本發明所采用n-m-7整體目標輸出神經網絡結構圖 實施例
[0033] 下面結合附圖對本發明做進一步描述：
[0034] 1.構建高速列車動力學性能分析的設計空間樣本集
[0035] 根據高速列車的拓撲結構和多剛體動力學分析模型，基于動力學仿真軟件，選取 線路條件、計算工況、激勵條件和踏面形狀，在SIMPACK中以高速列車原始數據建立仿真模 型，如圖2所示。
[0036] 按照經驗提取出所需要設計的重要輸入變量及其取值范圍，作為設計空間的輸 入。將影響運行安全性、曲線通過能力和平穩舒適性三個方面的脫軌系數、輪重減載率、傾 覆系數、臨界速度、輪軸橫向力、橫向平穩性和垂向平穩性七項指標作為輸出。
[0037] 隨機試驗設計、全析因試驗設計、正交試驗設計和拉丁超立方試驗設計在現階段 的工程應用中都得到了大量的研宄和應用。在相同的樣本數的情況下，取樣方法不同，對代 理模型的精度有比較大的影響。通過研宄對比，當設計變量維數較小時（如〈10)，可以嘗試 采用上述試驗設計中的任何一種；當設計變量維數較大時（如> =10)，推薦采用拉丁超立 方試驗設計，這是因為該方法不僅可以根據需要選擇或多或少的樣本點數目、構造簡單方 便，而且可以提高構建的代理模型在預測輸出響應值的平均值、方差和分布函數等方面的 精度，所以采用該方法可以減少構建樣本點的復雜性和節約計算成本。
[0038] 選擇適當的取樣策略后，生成輸入變量的規范化值，轉化為取值范圍內的輸入樣 本值，帶入仿真模型，在仿真軟件進行動力學計算，以便獲取構建代理模型所映射的動力學 性能輸出值，在將這些值進行規范化轉換后，最終得到用于構建和驗證代理模型的均勻且 充滿整個高速列車動力學性能分析的設計空間的樣本點集。
[0039] 2.構建基于貝葉斯正則化的高速列車整體目標神經網絡代理模型
[0040] 采用三層反饋BP神經網絡代理模型，輸入層到隱含層的神經元采用非線性轉化， 從隱含層到輸出層則采用線性回歸轉化。每個網絡分別包含了輸入層、隱含層和輸出層各 一個。輸入層和輸出層的神經元的數目，被分別地定義為設計參數變量數n和指標參數變 量數7,隱含層的節點數用m表示。高速列車的平穩性、舒適性、安全性，對應了七個性能指 標：橫向平穩性、垂向平穩性、脫軌系數、輪重減載率、輪軸橫向力、傾覆系數和臨界速度。為 了最終在優化中能夠同時搜索出針對七個輸出響應的多目標最優解集，構建代理模型時就 考慮七個指標之間的內在聯系顯然是必要的，即將設計變量相對于所有的輸出響應的內部 關系需要同時進行考慮。所以在MATLAB軟件中，構建神經網絡代理模型時，輸出層的神經 元的數目不止一個，而是等于所需要優化的全部目標的數目7,即對n個輸入（Xl，X2，…，xn) 和七個指標（yi，y2，…，y7)建立一個n-m-7整體目標神經網絡代理模型，而不是n-m-1的單 輸出神經網絡代理模型。
[0041] 對于整體輸出神經網絡代理模型，由于輸出層參數數目多，使得結構變得復雜、規 模容量相對較大，如果采用一般的梯度算法，收斂速度和精度都很難達到要求；采用LM算 法，雖然收斂速度比較快，但是收斂精度往往達不到要求。這是因為訓練樣本一定時，網絡 的泛化能力與網絡的規模息息相關，一個對訓練樣本集能夠達到較高匹配的訓練，未必是 一個真正的好的訓練，很可能是一個"過擬合"。降低神經網絡的規模，使得其小于樣本集的 大小，則"過擬合"的概率大大減少。貝葉斯正則化則是通過修正神經網絡訓練性能函數Eb 來提高泛化能力和泛化精度的，具體操作是在平方和誤差函數Ed算式中加入修正項，即網 絡權值的平方和均值Ew:
[0042]Eb= |3Ed+aEwI
[0043] 其中0和a是超參數。采用一般的正則化是非常難以處理超參數的值得，但是 基于貝葉斯規則，在整個網絡上的訓練的過程中，0、a值卻是可以得到自適應地調整，且 達到最優。經過學習后，網絡的權值控制在有效范圍內，網絡的規模便可得到控制。
[0044] 對于整體目標神經網絡代理模型驗證時，誤差控制中采用的指標有：相關系數R、 絕對誤差、相對誤差和平均相對誤差。
[0045] 1)相關系數R
[0046] 在MATLAB中，構建神經網絡代理模型后，可得到網絡的相關系數R，該值越接近1， 則說明構建模型的樣本點的預測值越接近于仿真值。但是網絡的精度是否足夠，還需要計 算其絕對、相對誤差和平均相對誤差，尤其需要計算用于預測模型精度的樣本點的誤差。
[0047] 2)相對誤差
[0048] Ae=Ea/X實驗 3
[0049] 3)平均相對誤差：
[0050]
【主權項】
1. 一種高速列車動力學性能參數的優化方法，步驟如下： 第一、基于動力學分析軟件，建立高速列車動力學仿真模型； 第二、根據所構建的動力學仿真模型，確定該模型所需的輸入變量、取值范圍和輸出評 價指標； 第三、根據取樣策略，得到均勻且充滿整個高速列車動力學性能分析的設計空間的樣 本點集。 第四、采用貝葉斯正則化BP神經網絡方法訓練樣本，調整神經網絡整個權值空間的概 率分布情況，控制有效權值的范圍，在此基礎上，構建高速列車動力學仿真模型的整體目標 神經網絡代理模型； 第五、擬定誤差控制規則，并計算相關誤差，判斷是否誤差范圍、預測能力是否滿足要 求，如否則調整神經網絡結構和規模，轉步驟三，直到使整體目標神經網絡代理模型能夠達 到誤差范圍和預測能力的要求。 第六、建立高速列車動力學性能參數設計的多目標優化數學模型； 第七、利用差分進化算法進行多目標優化求解，計算過程中反復調用整體目標輸出神 經網絡，得到優化后的高速列車動力學性能設計參數； 第八、對優化后的高速列車動力學性能設計參數進行仿真驗證，判斷是否有滿足性能 要求的解，如否轉到前一步，通過產生的新初始解，反復重新求解，如是則輸出優化設計結 果。
2. 根據權利要求1所述一種高速列車動力學性能參數的優化方法，其特征在于：所述 取樣策略是按照設計變量維數的多少進行選取的，當設計變量維數小于10,采用隨機試驗 設計、或全析因試驗設計、或正交試驗設計、或拉丁超立方試驗設計；當設計變量維數大于 10,推薦采用拉丁超立方試驗設計。
3. 根據權利要求1所述一種高速列車動力學性能參數的優化方法，其特征在于：所述 神經網絡為三層反饋形式，輸入層到隱含層的神經元采用非線性轉化，從隱含層到輸出層 則采用線性回歸轉化，輸入層和輸出層的神經元的數目，被分別定義為設計參數變量數n 和指標參數變量數7,隱含層的節點數用m表示。
4. 根據權利要求1所述的一種高速列車動力學性能參數的優化方法，其特征在于：所 述整體目標神經網絡代理模型在構建時，須滿足輸出層的神經元的數目與所需優化的全部 目標數相等，即對n個輸入層和七個指標建立一個n-m-7整體目標神經網絡代理模型。
5. 根據權利要求1所述的一種高速列車動力學性能參數的優化方法，其特征在于：所 述誤差控制規則采用的指標為相關系數R、相對誤差和平均相對誤差，相關系數R的值越接 近1，則說明構建模型的樣本點的預測值越接近于仿真值。
6. 根據權利要求1所述的一種高速列車動力學性能參數的優化方法，其特征在于：所 述多目標優化數學模型為高速列車動力學性能指標中的橫向平穩性指標、垂向平穩性指 標、脫軌系數、輪重減載率、輪軸橫向力、傾覆系數和臨界速度七項子目標，除前六項為求解 子目標的最小值外，最后一項為求解子目標的最大值，但進行負數轉化后，七項指標均為最 小值求優。
【專利摘要】本發明提供了一種高速列車動力學性能參數設計優化方法，涉及高速列車動力學仿真分析基礎上的參數設計優化領域，它能有效地利用整體目標神經網絡代理模型，取代高速列車動力學仿真模型，將高速列車在多學科領域下的設計分析和多目標優化算法相結合，進行基于高速列車動力學仿真近似模型的分析和優化。該方法的具體步驟如下：建立高速列車多剛體動力學仿真模型，確定所涉及的重要輸入輸出設計空間，選取取樣策略得到合適高速列車動力學性能分析的設計空間樣本集；采用貝葉斯正則化方法提高整體目標神經網絡的泛化精度，通過調整隱含層的節點數目，構建誤差控制在一定范圍內的整體目標神經網絡代理模型；利用該改進的整體目標神經網絡代理模型，結合差分進化智能化算法進行多目標優化，得到優化后的高速列車設計參數。主要用于高速列車動力學分析和設計優化。
【IPC分類】G06F17-50
【公開號】CN104765916
【申請號】CN201510146105
【發明人】張劍, 張海柱, 姜杰, 鄒益勝, 黎榮, 丁國富, 周曉欣, 馬曉杰, 黃文培
【申請人】西南交通大學
【公開日】2015年7月8日
【申請日】2015年3月31日