Resumen

Las prestaciones de tracción de una locomotora de gran tonelaje dependen de los estados de adherencia rueda/carril. Sin embargo, es difícil obtener estos estados debido al complejo mecanismo de adherencia y al cambiante entorno de funcionamiento. De acuerdo con la influencia de la utilización de la adherencia rueda/carril en la acción de control de la locomotora, los estados de adherencia rueda/carril se dividen en cuatro tipos, a saber, adherencia normal, indicación de fallo, fallo menor y fallo grave en este trabajo. Se propone un método de identificación del estado de adherencia rueda/carril basado en la optimización de enjambre de partículas (PSO) y la máquina de aprendizaje extremo de kernel (KELM). Para ello, se construye un modelo de identificación del estado rueda/carril utilizando KELM, y a continuación se optimizan el coeficiente de regularización y el parámetro kernel de KELM mediante PSO para mejorar su precisión. Por último, basándose en datos reales, se compara el método propuesto con las máquinas de vectores soporte PSO (PSO-SVM) y el KELM básico, respectivamente, y se ofrecen los resultados para verificar la eficacia y viabilidad del método propuesto.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:rueda, estados de adherencia del carril, kelm, pso, máquinas de vectores de soporte pso, máquina de aprendizaje extremo kernel, método de identificación del estado de adherencia del carril, modelo de identificación del estado del carril, entorno de operación cambiante, mecanismo de adherencia complejo
• Keywords:wheel, rail adhesion states, kelm, pso, pso support vector machines, kernel extreme learning machine, rail adhesion state identification method, rail state identification model, changeable operation environment, complex adhesion mechanism