人工智能算法在铁道车辆动力学仿真中的应用解析

1、 人工智能算法在铁道车辆动力学仿真中的应用解析 Summary：梳理了人工智能算法在铁道车辆系统动力学仿真中的应用实例和国内外相关文献，概述了铁道车辆动力学仿真中常用的机器学习和深度学习算法，归纳和评述了种学习算法在铁道车辆系统动力学建模与仿真中的应用分类；从铁道车辆系统动力学建模、动力学性能预测与动力学性能优化等方面入手，详细讨论了人工智能算法应用在力元建模和仿真、轨道不平顺预测、运行平稳性预测、噪声预测、侧风安全性预测、运行安全性预测、悬挂优化、轮轨匹配优化、结构优化以及主动与半主动控制等领域的优势和局限性，指出了现阶段人工智能算法在动力学仿真应用中主要面临的训练样本缺乏、泛化能力不够、可

2、解释性欠缺等问题；展望了今后人工智能算法和车辆系统动力学交叉研究的发展方向和重点研究内容。研究结果表明：融合经典力学和人工智能算法结合的混合建模理论可作为之后的重点研究方向；人工智能算法对解决随机动力学中的随机不确定性，提高随机动力学的性能具有较大的应用潜力；通过人工智能算法与优化算法相结合来实现动力学性能优化，可充分发挥人工智能算法的优势。Keys：铁道车辆；人工智能算法；动力学建模与仿真；性能预测现代铁路技术的快速发展，使得列车运行速度、载重量和运输网总长度大幅提高，这对列车运行的稳定性、安全性和平稳性提出了更高的要求。一方面，高速列车运行速度的大幅提升需要列车具有更优的蛇行运动稳定性、曲

3、线通过性能，空气与列车的相互作用也成为不可忽视的重要因素；另一方面，随着重载列车载重量的不断提高，导致轮轨动力作用进一步增强，使得运行安全性问题变得较为突出；此外，随着路网总长度的增加，路网分布更加复杂，列车服役环境差异加大，列车长时间稳定安全运行的可靠性问题也亟待解决。1、人工智能算法的非技术中立性分析大数据技术在电子商务领域的应用日益广泛，引发了法学界的广泛关注。用户的数据量巨大，反映了社会群体的映像特征，值得未来持续探索。1.1人工智能算法在社交媒体平台上得到了广泛的运用人工智能算法的应用范围日益广泛，在社交媒体平台上发挥着重要的作用，决定着未来社会的发展方向。该算法在网络平台上累积了大

4、量的用户数据信息，影响着受众群体的观念及行为特点。机器学习算法能够抓取重要数据信息，将其推送给重点人群，具有较大的受众范围。例如，今日头条、微信等社交平台都在运用人工智能算法吸引用户的积极参与，提高市场渗透程度。社交网络时代的新闻具有过滤机制，在大数据算法之下能够获得更强大的抓取数据能力，迅速增加信息推送规模。人工智能算法的重要依据即为用户的行为数据信息，可以进行深度的机器学习及算法分析，给用户提供相关偏好的信息，满足用户的基本信息需求。可以将用户区分为多个具有交叉部分的群体，使得用户能够更自由的掌控数据信息，提高话题的辨识程度。1.2算法推荐运行机制的非技术中立性分析设立算法的目的为解决某个

5、特定问题，在输入指令之后得到逻辑推演的结果。人工智能算法能够抓取用户的信息，按照特定的技术逻辑获得相应结果，不断提高匹配模式的精确程度与完善程度。同时，该算法能够深入分析用户的数据特点，如浏览记录、停留时间、注册时间及转发评论情况等，提高信息推送过程的精准性。人工智能算法具有特定的倾向性，在用户底层逻辑的基础上，不断深入数据指令特点，能够根据自身学习的逻辑演绎出完成的体系。该算法在反馈过程中日趋完善，将算法逻辑和人的价值观有机结合在一起，提高了互联网平台智能化水平。在此背景下，人们的行为方式、思想意识都发生了较大的改变，与人工智能算法的理念逐渐契合。2、车辆动力学仿真中常用的人工智能算法人工智

6、能自年在达特茅斯会议上正式被提出以来，已有余年的发展历史。其发展历程如图1所示，主要经过孕育期、形成期、知识应用期，期间各个学派分立及综合，直到近年来深度神经网络飞跃式的发展促进了人工智能研究的再次活跃。图1人工智能发展历程以机器学习和深度学习为代表的人工智能算法基于存储、记忆、预训练的应用模式，为传统学科难题的解决提供了新思路与途径。现阶段在车辆动力学仿真中主要应用的人工智能算法主要包括：前向反馈神经网络、径向基神经网络、支持向量机、随机森林、神经网络、循环神经网络、非线性自回归神经网络，表简要总结了种算法的基本结构原理、优点、局限性和应用案例。表1车辆动力学仿真常用的人工智能算法铁道车辆动

7、力学仿真涉及车辆结构、多体系统动力学、数值计算方法和数据处理多个方面。传统基于多体动力学的建模方式在考虑结构特性的基础上，用详细的物理模型来描述，模拟精度与模型复杂度和数值算法紧密相关。为了提高模拟效率，将仿真精度与模型复杂度解耦，基于人工智能算法的数据驱动建模方法逐渐得到重视。本节首先梳理了数据驱动建模方法的类别和一般流程，然后分别对液压减振器、轮轨和整车的纵向、垂向模型的数据驱动建模案例进行详细总结和评述。2.1数据驱动建模方法分类（）白箱模型：完全已知结构中的物理信息，且已知结构基本参数。（）浅灰模型：理论模型的一些参数需要用试验提供的实测数据来估计，又通常被称为物理模型。（）深灰模型：

8、过程的确切物理定律未知，通过应用定性系统行为的专家知识来建立模型。（）黑箱模型：假设一个不需要物理启发的模型结构，根据实测数据对黑箱模型的参数进行识别。目前常用结合物理模型和黑箱模型的混合模型。一般存在种物理模型和神经网络相结合的方法：一种是将黑箱模型集成到物理模型中，以覆盖物理描述未知或过于复杂的系统部分；另一种方法是种模型的结构组合，其中物理模型保持不变，而神经网络用于补偿物理模型的误差。2.2数据驱动建模方法一般流程梳理了典型的数据驱动车辆动力学仿真框架，提出该仿真框架应主要包括部分：数据收集和特征提取，即通过仿真建模或试验测试等获取初始数据；训练数据采样，即从初始数据中提取最能表征原始

9、信息的数据；建立代理模型，即通过机器学习算法仿真传统模型效率低的部分；仿真，即将代理模型嵌入到多体动力学模型中替代传统的部分进行仿真。数据驱动的车辆动力学仿真框架在数据收集和特征提取的过程中，数据来源一般可以分为类：第一类是在建立仿真模型计算得到仿真数据的基础上，建立数据驱动人工智能模型，应用数据驱动对列车碰撞进行仿真，通过有限元计算列车碰撞时力位移曲线，应用机器学习中的并行随机森林算法预测在新碰撞初速度条件下的曲线；第二类则主要是通过现场试验数据建立数据驱动人工智能模型，如等通过在风洞试验中进行压力测量，采集响应数据进而建立神经网络模型，并通过试验对神经网络模型进行验证。3、结束语综上所述，

10、人工智能算法在社会生产的各个领域当中均发挥着极为重要的作用。需要将大数据技术作为重要的驱动能力，深入挖掘数据信息，使得企业发展能够顺应当前的大数据潮流。在此背景下，需要建立起有效的人工智能算法规则机制，用立法的形式提高算法体系的公开程度与透明程度，加大第三方监督管理强度，保留算法的基础性信息，有效检验算法的侵权行为，坚持道德红线，构建起理想的算法世界。Reference：1袁先智,周云鹏,刘海洋,严诚幸,钱国骐,钱晓松,汪冬华,李志勇,李祥林,林健武,沈思丞,曾途.在金融科技中基于人工智能算法的风险特征因子筛选框架的建立和在期货价格趋势预测相关的特征因子刻画的应用J.安徽工程大学学报,2020(04)2WaymondRodgers,