Способ регулировки активной подвески в железнодорожном вагоне и устройство для его осуществления - RU2742401C2

Чертежи

Описание

Настоящее изобретение относится к способу оптимизации, непрерывно и в течение всего срока службы, комфорта в железнодорожном вагоне, движущемся по железнодорожному пути.

Комфорт в железнодорожном вагоне зависит, в частности, от трех главных переменных, которыми являются скорость вагона, состояние железнодорожного пути и нагрузка на вагон.

Для улучшения этого комфорта железнодорожные вагоны классически содержат по меньшей мере одну систему подвески между колесами и корпусом вагона.

«Системой подвески» называют совокупность элементов, позволяющих контролировать относительные движения корпуса относительно шасси колесных пар, несущих этот корпус, и движения шасси колесных пар относительно осей этих колесных пар. Эти элементы можно рассматривать независимо от одного вагона к другому в поезде или трамвае.

В частности, существуют системы подвески постоянной жесткости, причем значения этой жесткости выбирают таким образом, чтобы система подвески была эффективной на отрезках пути, содержащих особенности, влияющие на комфорт. Однако такие значения жесткости не адаптированы для других отрезков пути и, следовательно, могут быть дискомфортными на этих других отрезках пути. Несоответствие этих значений жесткости создает дискомфорт для пассажиров и механические воздействия, отрицательно сказывающиеся на сроке службы с точки зрения усталостной стойкости оборудования (пути, колесные пары и конструкции корпуса).

Существуют также так называемые «активные» системы подвески, жесткостью которых можно управлять, чтобы адаптировать ее к различным условиям движения вагона. Однако, как правило, управление такими системами подвески является упрощенным, например, только в зависимости от скорости движения вагона.

Изобретение направлено на улучшение ситуации и предлагает способ оптимизации комфорта в железнодорожном вагоне, позволяющий непрерывно оптимизировать активную систему подвески.

В связи с этим объектом изобретения является способ оптимизации комфорта в железнодорожном вагоне, движущемся по железнодорожному пути, при этом железнодорожный вагон содержит по меньшей мере одну активную систему подвески, параметрируемую при помощи набора параметров регулировки, отличающийся тем, что:

- железнодорожный путь делят на отрезки,

- для каждого отрезка способ содержит циклы оптимизации набора параметров регулировки, при этом

- в ходе первого цикла оптимизации при каждом прохождении системы подвески по отрезку заранее определяют и применяют к системе подвески первый набор параметров регулировки, специфический для этого прохождения, и вычисляют показатель качества комфорта, затем применяют метаэвристический алгоритм для определения вторых наборов параметров регулировки,

- в ходе каждого следующего цикла оптимизации при каждом прохождении системы подвески по отрезку для системы подвески применяют один из наборов параметров регулировки, определенных в ходе предыдущего цикла, и вычисляют показатель качества комфорта, затем применяют метаэвристический алгоритм для определения новых наборов параметров регулировки.

Заявленный способ позволяет оптимизировать все параметры регулировки системы подвески.

Следует отметить, что эти параметры регулировки нельзя получить путем простого вычисления в зависимости от входных переменных, поскольку такое вычисление является сложным, учитывая большое разнообразие входных переменных, в частности, изменяемость путей во времени, реальную нагрузку вагона, моментальную скорость, износ колес и т.д.

Таким образом, изобретением предложено определять оптимизированные параметры регулировки путем осуществления циклов оптимизации, определяя параметры регулировки, используемые для каждого цикла, при помощи метаэвристического алгоритма.

«Циклом оптимизации» в данном случае называют достаточное накапливание данных комфорта относительно наборов параметров регулировки подвески при прохождениях по данному отрезку для заданных диапазона скорости и диапазона нагрузки. Эта накапливание данных позволяет алгоритму определять наборы параметров, теоретически более благоприятных для комфорта, которые будут оценены во время следующего цикла.

При повторении циклов оптимизации достаточное количество раз параметры регулировки приближаются к оптимальным значениям и сохраняются, например, в базе данных. Таким образом, эта база данных может затем показывать через алгоритм оптимальные параметры регулировки для заданных переменных. База данных сохраняет хронологию протестированных наборов, а также оптимумы. Таким образом, способ в соответствии с изобретением представляет собой механизм типа “machine learning” (обучающаяся машина).

Заявленный способ может также иметь один или несколько следующих признаков, рассматриваемых отдельно или в любых технически возможных комбинациях.

- параметры первых наборов параметров выбирают в заранее определенных соответствующих интервалах безопасности.

- параметры первых наборов параметров определяют произвольно.

- метаэвристический алгоритм является генетическим алгоритмом.

- разделение железнодорожного пути на отрезки является адаптивным с отрезками разной длины, устанавливаемыми в зависимости от особенностей пути.

- циклы оптимизации являются общими для нескольких вагонов, движущихся по одному железнодорожному пути, при этом вагоны могут совместно применять данные, относящиеся к каждому циклу оптимизации.

Объектом изобретения является также устройство контроля комфорта в железнодорожном вагоне для осуществления вышеупомянутого способа оптимизации комфорта, отличающееся тем, что содержит:

- по меньшей мере одну активную систему подвески, регулируемую при помощи набора параметров,

- систему управления набором параметров системы подвески,

- средства оценки комфорта в железнодорожном вагоне, и

- средства оптимизации, выполненные с возможностью определять наборы оптимизированных параметров путем осуществления множества циклов оптимизации.

Заявленное устройство может также иметь один или несколько следующих отличительных признаков, рассматриваемых отдельно или в любых технически возможных комбинациях.

- средства оптимизации содержат базу данных, которую можно обновлять при каждом цикле оптимизации и которая показывает наборы параметров в зависимости от отрезков пути, от скоростей и от нагрузок вагона.

- средства оптимизации содержат средства генерирования наборов оптимизированных параметров при помощи метаэвристического алгоритма, выполненные с возможностью генерирования набора оптимизированных параметров путем применения метаэвристического алгоритма к набору параметров, определенному в ходе предыдущего цикла оптимизации.

Изобретение будет более понятно из нижеследующего описания, представленного исключительно в качестве примера, со ссылками на единственную прилагаемую фигуру, на которой схематично показано устройство оптимизации согласно примеру выполнения изобретения и взаимодействие между его компонентами для осуществления заявленного способа.

На фигуре показано устройство 10 оптимизации комфорта в железнодорожном вагоне 12, движущемся по железнодорожному пути.

Железнодорожный путь предварительно разбивают на последовательные отрезки. Для этого можно предусмотреть несколько методов разделения железнодорожного пути.

Например, можно просто разделить железнодорожный путь на отрезки равной длины.

В варианте можно сначала разделить железнодорожный путь на разные участки пути в зависимости от максимальной скорости движения на этих участках пути, затем разделить каждый участок пути на отрезки с постоянным шагом разделения, специфическим для этого участка пути.

Можно также предусмотреть адаптивное разделение с отрезками переменной длины, установленными в зависимости от особенностей пути, известных или обнаруженных во время предыдущего прохождения по пути. Так, отрезок с особенностью, отрицательно влияющей на комфорт, может быть коротким, тогда как отрезок без существенной особенности может быть длинным.

Длина отрезков может быть любой. Однако, чем короче отрезки, тем больше будет оптимизирован комфорт, так как происходит его более быстрая адаптация к особенностям пути.

Во всех случаях разделение пути на отрезки сохраняется в базе 14 данных, которая предпочтительно находится в вагоне 12 или в варианте находится в удаленной станции контроля.

Вагон 12 содержит средства 16 определения входных переменных, и этими входными переменными являются положение Р вагона на пути, его скорость V и его нагрузка С. Эти входные переменные влияют на комфорт пассажиров в вагоне 12.

На комфорт могут также влиять другие переменные, трудно определяемые количественно, такие как механические воздействия на соединения корпус-колесная пара.

Например, положение Р определяют при помощи классического устройства спутниковой навигации (GPS). Положение Р позволяет при помощи таблицы 18 соответствия определять, на каком отрезке Т пути находится вагон, в зависимости от его положения, определенного при помощи устройства GPS.

Скорость V определяют при помощи классического устройства измерения скорости, такого как устройства, обычно присутствующие на железнодорожных транспортных средствах.

Наконец, нагрузку С измеряют при помощи классического устройства измерения нагрузки.

Кроме того, вагон 12 содержит различное оборудование 20, включающее в себя по меньшей мере одну активную систему 22 подвески.

Система 22 подвески является системой «активного» типа, то есть ее характеристики, в частности, жесткость амортизации, можно регулировать при помощи наборов параметров регулировки.

Система 22 подвески содержит, в частности, активные амортизаторы, в частности, с переменной вязкостью и с переменной калибровкой, возможно активный стабилизатор поперечной устойчивости, предпочтительно подвижный балласт, активные упоры ограничения хода и т.д. Набор параметров регулировки включает в себя все параметры, влияющие на эти составные элементы системы 22 подвески.

Например, параметрами являются значения вязкости амортизаторов, значения калибровки амортизаторов, значения жесткости стабилизатора поперечной устойчивости, значения свободного хода упоров и т.д.

Кроме того, оборудование 20 включает в себя датчики 24, позволяющие оценивать комфорт в железнодорожном вагоне 12. Например, датчики 24 включают в себя акселерометры, например, измеряющие ускорения в трех направлениях пространства, в частности, в продольном направлении, в поперечном направлении и в направлении высоты. Действительно, например, слишком большие ускорения являются причиной дискомфорта.

Вагон 12 содержит также бортовое компьютерное аппаратное оборудование 26.

Компьютерное аппаратное оборудование 26 содержит средства 28 управления системой 22 подвески. Эти средства 28 управления выполнены с возможностью применения к системе 22 подвески набора предварительно определенных параметров регулировки.

Кроме того, компьютерное аппаратное оборудование 26 содержит цепь 30 сбора данных, соединенную с датчиками 24, для сбора значений, измеряемых этими датчиками 24, средства 32 обработки сигналов, обеспечивающие, например, фильтрацию нижних частот ускорений, и буферные средства 34 записи значений, измеряемых датчиками в зависимости от проходимого отрезка Т.

Наконец, устройство 10 оптимизации содержит программную часть 36, например, установленную в компьютерном аппаратном оборудовании 26. В частности, устройство 10 оптимизации содержит компьютерную систему для применения программной части 36.

Программная часть 36 содержит модуль 44 оптимизации параметров регулировки.

Этот модуль 44 оптимизации содержит, в частности, вышеупомянутую базу 14 данных.

База 14 данных содержит таблицу 18 соответствия, позволяющую после получения положения Р вагона 12 от средств 16 определения указать, на каком отрезке Т находится этот вагон 12.

База 14 данных содержит также таблицу 38 параметров, которая может выдавать набор параметров регулировки в зависимости от диапазона скорости V, от диапазона нагрузки С и от отрезка Т.

Кроме того, программная часть 36 содержит средства 40 генерирования наборов оптимизированных параметров регулировки при помощи метаэвристического алгоритма.

Программная часть 36 содержит также средства 42 вычисления показателя IQ качества комфорта в зависимости от данных, получаемых от средств 34 записи.

Задачей настоящего изобретения является улучшение комфорта, связанного с движением вагона, являющимся результатом дефектов пути, которые передают паразитные усилия через систему подвесок вагона (пружины, амортизаторы, стабилизаторы поперечной устойчивости). Показатель IQ качества комфорта вычисляют на основании трехмерных ускорений, измеряемых в корпусе вагона датчиками 24 и ощущаемых пассажирами.

Нормы позволяют оценить уровень комфорта на основании измерений ускорений, действующих на корпус. Этот уровень комфорта обозначают Nvm. Чем ниже значение уровня Nvm комфорта, чем лучше ощущаемый комфорт.

Ниже приведен пример способа вычисления уровня Nvm комфорта. Этот способ вычисления является стандартным.

На основании уровня Nvm комфорта строят показатель IQ качества комфорта. Показатель IQ качества комфорта служит для оценки качества конфигурации вагона, имеющего активные амортизаторы, которые можно регулировать по жесткости (калибровка). Следовательно, показатель IQ качества комфорта тем лучше, чем больше его значение.

Уровень Nvm комфорта и показатель IQ качества комфорта вычисляют путем осуществления следующих этапов вычисления:

- при помощи датчиков 24 измеряют ускорения на данном отрезке,

- при помощи средств 32 обработки сигналов применяют фильтр нижних частот для ускорений. Например, фильтр нижних частот является фильтром типа Wd согласно норме EN 12299;

- вычисляют среднее квадратичное значение Rms (Root mean square, называемое также эффективным значением Aeff):

где:

Aeff - эффективное значение, вычисленное за время Т,

Т - время, за которое вычисляют среднее значение. Например, Т = 5 секунд,

[a(t)^Wd]00000 - временной сигнал ускорения, который был фильтрован фильтром “Wd”.

- выбирают значения RMS, соответствующие 95-му процентилю: речь идет о выборе значений ускорения по x, y и z, которые охватывают 95% уровней фильтрованных ускорений.

- вычисляют комфорт Nmv на проходимом участке:

- с целью оптимизации строят показатель качества (комфорта):

IQ=1/Nmv²,

где Nmv является уровнем комфорта для пассажира, то есть для данного набора параметров.

Далее следует описание работы устройства 10 оптимизации в рамках заявленного способа оптимизации.

Как было указано выше, способ оптимизации сначала содержит разделение железнодорожного пути на отрезки и сохранение характеристик этих отрезков в базе 14 данных. Например, отрезки нумеруют, и для каждого номера отрезка база 14 данных содержит входной километраж и выходной километраж этого отрезка. Таким образом, положение Р вагона 12, полученное при помощи системы спутниковой навигации, позволяет легко узнать номер отрезка, на котором находится вагон 12.

Для каждого отрезка Т способ содержит циклы оптимизации наборов параметров регулировки. «Цикл оптимизации» для отрезка Т соответствует достаточному накапливанию данных комфорта на этом отрезке, когда для поезда применяют различные наборы параметров регулировки подвески при движении на данном отрезке для заданного диапазона скорости и заданного диапазона нагрузки.

В ходе первого цикла оптимизации при каждом прохождении системы 22 подвески по отрезку определяют первый набор параметров регулировки. Таким образом, в ходе первого цикла оптимизации определяют множество первых наборов параметров.

Каждый первый набор параметров определяют произвольно или случайно. Предпочтительно каждый параметр первого набора выбирают в заранее определенном интервале безопасности. Специалист в данной области может определить этот интервал безопасности, за пределами которого параметры не позволяют получить удовлетворительный комфорт.

По прибытии на отрезок Т соответствующий первый набор параметров передают в средства 28 управления, которые применяют этот первый набор параметров для системы 22 подвески.

На этом отрезке Т измеряют скорость V и нагрузку С, которые распределяют по классам в дискретном пространстве скорости и нагрузки, и эти дискретные значения вводят в базу 14 данных. Таким образом, класс скорости V, класс нагрузки С и первый набор параметров можно узнать в базе 14 данных и, в частности, в таблице 38 параметров.

Затем средства 42 вычисления вычисляют показатель IQ качества комфорта на основании измерений, поступающих от датчиков 24. Этот показатель IQ качества комфорта зависит от параметризации системы 22 подвески. Таким образом, показатель IQ качества комфорта тоже вносят в таблицу 38 параметров, где его связывают с этим первым набором параметров и с парой «класс скорости и класс нагрузки».

Первый цикл оптимизации осуществляют для заранее определенного количества прохождений системы 22 подвески по отрезку Т, при этом каждое из этих прохождений связывают с соответствующим и предпочтительно разным набором параметров.

Например, когда железнодорожный вагон 12 проходит несколько раз по пути в течение одного дня, первый цикл оптимизации состоит в применении соответствующего первого набора параметров для каждого прохождения вагона 12 по отрезку Т в течение этого дня.

В варианте циклы оптимизации являются общими для нескольких вагонов 12, проходящих по одному и тому же железнодорожному пути. При этом вагоны 12 могут совместно использовать данные, относящиеся к каждому циклу. Это позволяет увеличить скорость оптимизации за счет совместного использования.

Затем в ходе этого первого цикла оптимизации способ содержит применение метаэвристического алгоритма средствами 40 генерирования для первых наборов параметров, чтобы определить вторые наборы параметров регулировки. Этот метаэвристический алгоритм учитывает вычисленные показатели IQ качества комфорта, чтобы вывести из них параметры, которые являются наиболее надлежащими для улучшения комфорта на отрезке Т. Специалист в данной области может выбрать соответствующий метаэвристический алгоритм.

Метаэвристический алгоритм является, например, генетическим алгоритмом. Общий принцип генетического алгоритма сам по себе известен. Исходя из первоначальной популяции, производят оценку индивидуумов, затем осуществляют оптимизацию путем селекции, скрещиваний и мутаций, чтобы получить новую оптимизированную популяцию. Затем осуществляют новую итерацию на основании оценки индивидуумов.

Такой первый цикл оптимизации осуществляют для каждого триплета «отрезок Т, класс скорости V, класс нагрузки С».

Следует отметить, что набор параметров для применения на отрезке Т определяют на предыдущем отрезке, чтобы систему 22 подвески можно было параметризовать с самого начала движения вагона 12 на отрезке Т.

Далее следует описание метаэвристического алгоритма, в частности, генетического алгоритма.

Генетические алгоритмы представляют собой частный случай метаэвристических алгоритмов. Генетический алгоритм применяют непрерывно, чтобы адаптировать вагон к окружающей его среде, то есть чтобы оптимально регулировать наборы параметров подвески с целью максимизации комфорта на рассматриваемом отрезке.

На практике «поколение» представляет собой достаточно большую выборку оцениваемых наборов параметров, которая станет основой для создания второй выборки предназначенных для тестирования наборов параметров. Таким образом, оптимизация является последовательной. Выборка может физически представлять собой один и тот же поезд, который проходит по отрезку с разными наборами параметров, или идентичные поезда, имеющие разные наборы параметров, как в случае парка поездов (например, скоростных поездов TGV), работающих на одной линии. Чем больше поездов работают на линии, тем быстрее достигается сходимость результатов.

Этап 1: Выбор параметров, влияющих на реакцию системы на поставленную задачу оптимизации.

Во время этого этапа 1 определяют параметры, которые необходимо изменить/оптимизировать. Изучение чувствительности позволяет определить, какие амортизаторы больше всего влияют на комфорт. Определяют диапазон вариации параметров, совместимых с безопасностью поезда.

Этап 2: Начальная (случайная) популяция из N индивидуумов.

Популяцию (совокупность N наборов параметров) определяют как популяцию, образующую первое поколение. Размер N популяции зависит от выбора оптимизации и не связан с количеством находящихся в эксплуатации поездов. Популяцию называют также «поколением». Индивидуум соответствует тестируемому набору параметров. Каждый набор параметров имеет параметры, определенные случайно с учетом этапа 1. Каждый параметр кодируют в виде реального числа, чтобы избегать затрат времени для конверсии.

Этап 3: Оценка способности к адаптации каждого индивидуума (показатель качества).

Каждый индивидуум (набор параметров) оценивают относительно задачи (каждый поезд движется по отрезку, и регистрируются ускорения). На основании этого выводят показатель IQ качества.

Чем больше приспосабливается индивидуум (чем лучше комфорт), тем выше показатель качества.

Если необходимо соблюдать максимальные значения показателя IQ качества комфорта, можно применять штрафы или бонусы. Эти отмеченные бонусами наборы параметров имеют больше шансов быть отобранными для следующего этапа. Эта операция позволяет классифицировать индивидуумы в порядке приспосабливаемости с учетом следующего этапа.

После тестирования и оценки N индивидуумов поколения переходят к следующему этапу.

Этап 4: Выбор наиболее приспособленных родителей.

Затем выбирают N индивидуумов, которые будут использованы в дальнейшем. Индивидуумы, более продвинутые на этапе 3, статистически имеют больше шансов быть выбранными в соответствии с методом рулетки, который будет описан ниже. Получают промежуточную популяцию из N индивидуумов (наборов параметров), немного лучше приспособленных и, следовательно, дающих лучшие решения (лучшие показатели IQ качества). В этой промежуточной популяции один индивидуум может быть представлен несколько раз.

Этап 5: воспроизведение путем скрещивания.

Скрещивание является операцией, которая позволит исследовать пространство вариации параметров. Во время этой операции параметры родителей комбинируют между собой, чтобы получить потомков, имеющих признаки обоих родителей. Благодаря процессу селекции, от поколения к поколению скрещивают все более приспособленные индивидуумы. Таким образом, существует больше возможности получить еще лучший индивидуум после скрещивания.

Каждая пара индивидуумов (наборов параметров) порождает два индивидуума-потомка (сохранение размера N популяции во времени).

Далее следует описание метода, применяемого для скрещиваний.

Этап 6: Мутация.

Мутация является случайным изменением (но в пределах, определенных на этапе 1) параметра, чтобы расширить пространство поиска и избежать слишком быстрой сходимости к оптимуму, который в этом случае рискует стать локальным оптимумом. Математически мутация гарантирует, что будет достигнут общий оптимум.

Этап 7: Новое поколение.

Начиная с этапа 3, начинают работать с этим новым полученным поколением наборов параметров. Математически показано, что алгоритм сходится к общему решению. Все вагоны будут иметь оптимальный набор параметров (регулировки амортизаторов), позволяющий им обеспечивать оптимальный комфорт для пассажиров на данном отрезке.

Задача оптимизации со временем может меняться (с учетом износа путей, колес и т.д.), и оптимальная конфигурация параметров может изменяться. Поскольку операция мутации создает «немного отличающиеся» индивидуумы в каждом поколении, новые поколения могут сходиться к новому оптимуму и, таким образом, со временем следовать изменению окружающей среды (учитывая, что изменения окружающей среды являются достаточно медленными, чтобы алгоритм мог сходиться).

Далее следует описание метода рулетки, применяемого на этапе 4.

Этот метод состоит в процентном выражении показателя IQ качества каждого набора параметров относительно общей суммы показателей IQ качества. Затем осуществляют N тиражей, где N является числом наборов параметров, составляющих поколение. Таким образом, при каждом тираже вероятность выбора каждого набора параметров будет пропорциональна значению его показателя IQ качества. Следует отметить, что один хороший набор параметров может быть выбран несколько раз, тогда как плохой набор может быть не выбран никогда.

Вместе с тем, может произойти наоборот, то есть лучший набор параметров может быть не выбран или может потеряться во время скрещиваний или мутаций. Чтобы противостоять этому явлению, можно после процесса селекции предусмотреть замену менее хорошего набора параметров наилучшим набором параметров из предыдущего поколения. Речь идет об элитарном процессе.

Далее следует описание метода скрещивания, применяемого на этапе 5.

Определяют вероятность скрещивания, например, Рс=77%.

Для каждой пары наборов параметров (хромосом), взятой случайно в промежуточной популяции в результате селекции методом рулетки, выбирают случайное число от 0 до 100 и, если это число превышает Рс, оба взятых индивидуума (набора параметров) оставляют для скрещивания. Для каждого гена (например, параметра амортизатора) выбирают случайное число, и если это число превышает определенную ниже вероятность, оба индивидуума обмениваются между собой геном, и процедура переходит к следующему гену.

где:

Num_Genera - индекс текущего поколения,

Nb_Genera - общее число поколений в алгоритме.

F=1.5-(Num_Genera/NB_Genera), если два родителя соответствуют заданным условиям (то есть их параметры находятся в заранее определенных интервалах), в противном случае F=1.

После завершения первого цикла оптимизации осуществляют второй цикл оптимизации, в ходе которого в средства 28 управления поступают вторые наборы параметров, определенные ранее с оценками показателей IQ в первом цикле, при этом каждый второй набор параметров соответствует соответствующему прохождению по данному отрезку Т, причем этот второй набор параметров используют для регулирования системы 22 подвески во время этого прохождения на отрезке Т.

Такой второй цикл осуществляют также для каждого триплета «отрезок Т, класс скорости V, класс нагрузки С» пути.

Как и в предыдущем случае, по прибытии на отрезок Т соответствующий второй набор параметров передают в средства 28 управления, которые применяют этот второй набор параметров для системы 22 подвески.

На этом отрезке Т измеряют скорость V и нагрузку С, затем их вводят в базу 14 данных. Таким образом, скорость V (класс скорости), нагрузку С (класс нагрузки) и второй набор параметров можно узнать из базы 14 данных и, в частности, в таблице 38 параметров.

После этого средства 42 вычисления вычисляют показатель IQ качества комфорта на основании измерений, получаемых от датчиков 24. Показатель IQ качества комфорта тоже вводят в таблицу 38 параметров вместе с этим вторым набором параметров.

Второй цикл оптимизации осуществляют для заранее определенного числа прохождений системы 22 подвески по отрезку Т, при этом каждое из этих прохождений связывают с соответствующим и предпочтительно разным вторым набором параметров.

Например, когда железнодорожный вагон 12 проходит несколько раз по пути за один и тот же день, второй цикл оптимизации состоит в применении соответствующего второго набора параметров при каждом прохождении вагона 12 на отрезке Т в этот день.

Затем в ходе этого второго цикла оптимизации способ включает в себя применение метаэвристического алгоритма средствами 40 генерирования ко вторым наборам параметров, чтобы определить третьи наборы параметров регулировки.

После этого в ходе каждого следующего цикла оптимизации при каждом прохождении системы 22 подвески по отрезку Т к системе 22 подвески применяют один из наборов параметров регулировки, определенных при помощи предыдущего цикла оптимизации, и оценивают показатель IQ качества комфорта. Затем применяют метаэвристический алгоритм для определения новых наборов параметров регулировки.

При повторении циклов оптимизации наборы параметров сходятся к оптимизированным значениям.

Таким образом, непрерывно формируют базу данных оптимальных параметров в зависимости от рассматриваемых входных переменных.

Необходимо отметить, что пространство поиска оптимума складывается из трех осей: оси Отрезка, оси Скорости V и оси Нагрузки С. Чтобы структурировать оптимизацию, пространство дискретизируют на классы по этим 3 осям. Это пространство можно отобразить в виде кубов, при этом каждый куб содержит данные оптимизации, которыми являются наборы параметров и соответствующие показатели IQ.

Понятно, что, используя метаэвристический алгоритм, изобретение позволяет осуществлять динамические оптимизации по многим критериям. Таким образом, всегда можно предложить набор параметров, близких к оптимуму, в частности, благодаря механизму «мутации», включенному в известный общий принцип оптимизации при помощи генетического алгоритма. Релевантность предложенного набора параметров уточняется по мере проведения циклов оптимизации, несмотря на изменчивость системы, например, при старении путей, соответствующем изменении геометрии. Поскольку алгоритм работает непрерывно, он позволяет следовать этим изменениям качества пути и всегда предлагает наборы параметров, очень близкие к оптимуму.

Следует отметить, что изобретение не ограничивается вышеупомянутым вариантом осуществления и может охватывать различные версии.

Реферат

Группа изобретений относится к области машиностроения. Регулируют активную систему (22) подвески при помощи набора параметров регулировки. Железнодорожный путь делят на отрезки (Т). Для каждого отрезка выполняют циклы оптимизации набора параметров регулировки. Во время первого цикла при каждом прохождении системы подвески по отрезку заранее определяют и применяют первый набор параметров регулировки. Вычисляют показатель качества комфорта. Применяют метаэвристический алгоритм для определения вторых наборов параметров регулировки. В ходе каждого следующего цикла оптимизации при каждом прохождении системы подвески по отрезку для системы подвески применяют один из наборов параметров регулировки, определенных в ходе предыдущего цикла. Вычисляют показатель качества комфорта. Применяют метаэвристический алгоритм для определения новых наборов параметров. Устройство контроля комфорта в железнодорожном вагоне содержит активную систему подвески, регулируемую при помощи набора параметров регулировки. Достигается непрерывность оптимизации активной системы подвески. 2 н. и 7 з.п. ф-лы, 1 ил.

Формула