考虑等效锥度离散度的JM<sub>3</sub>车轮型面优化

孟凡愚; 沈龙江; 邓小星; 姚远

doi:10.3969/j.issn.0258-2724.20230173

考虑等效锥度离散度的JM₃车轮型面优化

doi: 10.3969/j.issn.0258-2724.20230173

孟凡愚^1,,
沈龙江²,
邓小星^{1, 2},
姚远^1, ,

1.
西南交通大学轨道交通运载系统全国重点实验室，四川成都 610031
2.
株洲电力机车有限公司大功率交流传动电力机车系统集成国家重点实验室，湖南株洲 412001

基金项目: 国家自然科学基金项目（52372403，U2268211）；四川省自然科学基金项目（2022NSFSC0034，2022NSFSC1901）；国铁集团科研开发计划课题（N2023J071）

详细信息

作者简介:
孟凡愚（1996—），男，博士研究生，研究方向为车辆系统动力学，E-mail：fymeng@my.swjtu.edu.cn

通讯作者:
姚远（1983—），男，研究员，博士，研究方向为机车车辆设计理论和车辆系统动力学，E-mail：yyuan8848@163.com

中图分类号: U211.5
计量
- 文章访问数: 28
- HTML全文浏览量: 15
- PDF下载量: 10
- 被引次数: 0
出版历程
- 收稿日期: 2023-04-19
- 修回日期: 2023-11-24
- 网络出版日期: 2025-02-14

Optimization of JM₃ Wheel Profile Considering Equivalent Conicity Dispersion

MENG Fanyu^1
,,
SHEN Longjiang²,
DENG Xiaoxing^{1, 2},
YAO Yuan^{1
, ,}

1.
State Key Laboratory of Rail Transit Vehicle System, Southwest Jiaotong University, Chengdu 610031, China
2.
State Key Laboratory of System Integration of High Power AC Drive Electric Locomotive, CRRC Zhuzhou Electric Locomotive Co. Ltd., Zhuzhou 412001, China

摘要

摘要:
轮轨匹配对轨道车辆动力学性能有着重要影响，针对现行标准JM₃车轮型面与国内不同类型钢轨廓形匹配时等效锥度差异过大，以及在大轨底坡条件下匹配打磨钢轨时因等效锥度过低而引发机车晃车的问题，本文以减小车轮型面在不同轨底坡条件下与CN60型和CN60N型2种钢轨匹配对应的等效锥度离散度为优化目标，采用圆弧、直线组合的车轮型面描述方法，应用NSGA-Ⅱ遗传算法优化滚动圆附近两段圆弧圆心横向位置参数，对JM₃型面进行优化，并对优化前后的车轮型面进行轮轨接触特性和机车动力学性能仿真对比分析. 结果表明：优化型面在与上述钢轨匹配时，轮对3 mm横移量处的名义等效锥度均在0.1左右，显著降低原JM₃踏面等效锥度离散度，提高了车轮型面对不同钢轨廓形和线路条件的适应性；同时，优化后的型面对应机车蛇行稳定性、横向平稳性、曲线通过性能和磨耗性能指标较原型面均得到提升，消除了特定线路机车的低频晃车现象.
- JM₃型面 /
- 等效锥度 /
- 轮轨匹配 /
- 多目标优化 /
- 动力学性能
Abstract:
Wheel-rail profile compatibility has an important influence on the dynamic performance of rail vehicles. The present standard JM₃ wheel profile has a large difference in equivalent conicity when it is matched with different types of rail profiles in China. It has the problem of locomotive swaying caused by too low equivalent conicity when the profile is matched with the grinding rail with large rail cant. To address these issues, the optimization objective of reducing the equivalent conicity dispersion of the wheel profile matched with CN60 and CN60N rail profiles under different rail cants was set. The wheel profile was described by a method combining arcs and straight lines. The JM₃ wheel profile was optimized by utilizing NSGA-II genetic algorithm to improve the lateral position parameters of the two arc centers near the rolling circle. The wheel-rail contact characteristics and the locomotive dynamic simulation of the wheel profile before and after optimization were compared. The results show that when the optimized wheel profile is matched with the rails above, the nominal equivalent conicities at the 3 mm transverse displacement of the wheelset are all about 0.1, which reduces the equivalent conicity dispersion of the original JM₃ wheel profile and improves the adaptability of the wheel profile to different rail profiles and line conditions. At the same time, the locomotive hunting stability, lateral stability, curving performance, and wear performance index of the optimized profile are all improved compared with the original wheel profile. In addition, the phenomenon of low-frequency swaying of locomotives on specific lines is eliminated.
- JM₃ wheel profile /
- equivalent conicity /
- wheel-rail profile compatibility /
- multi-objective optimization /
- dynamic performance

HTML全文

随着高速铁路迅速发展，及时可靠地传输列车控制信号变得至关重要. 目前中国运行的铁路窄带移动通信系统（global system for mobile communications Irailway, GSM-R）存在承载能力不足、频段干扰严重、技术生命周期有限等问题^[1-2]. 2020年中国国家铁路集团有限公司发布《新时代交通强国铁路先行纲要》^[3]，提出到2035年将形成7×10⁴ km现代化高速铁路网, 基于5G的移动通信系统（5G for railways, 5G-R）将替代GSM-R 作为下一代车地通信系统. 国家工信部已同国铁集团达成共识，采用2.1 GHz进行5G-R建设. 铁路站点（包括沿线、车站和编组站等）无线网络规划是铁路移动通信系统建设的重点^[4]. 相比铁路沿线，编组站场景属于典型高强度、高密度的通信热点区域，有限的频谱资源很难同时满足高速铁路通信和编组站调度等业务需求^[5]. 传统网络规划方法中，如果某个特定区域信号覆盖效果不好，则需要网优部门进行部分天线参数的调整和优化^[6]. 这种天线参数规划方法缺乏全局性，难以实现全网天线最优化参数配置，因此，亟需研究高效且准确的天线参数规划方法.

国内外学者对多天线参数规划进行了大量研究，在优化算法上，文献[7]采用量子免疫算法对大量数据进行处理，完成了对基站站址的规划；文献[8]采用蜂群算法对基站天线方位角和下倾角进行优化；文献[9]采用模拟退火算法对天线参数进行规划. 在优化目标方面，文献[10]提出以最大化所有用户能量效率为目标，优化无线网络资源的分配；文献[11]采用贝叶斯算法进行多目标优化. 在获取场景覆盖信息方面，文献[12]利用简单的机器学习算法（如线性回归方法）预测场景的接收信号强度指示（received signal strength indication，RSSI）值；文献[13]采用经验模型预测场景中各位置的路径损耗和接收功率. 然而这些分析方法在编组站场景中运用时仍然面临下列问题：

1）编组站场景基站部署密集，基站间可能会有较强烈的干扰，在进行网络优化时需要着重考虑信号与干扰加噪声比（signal to interference plus noise ratio, SINR）；

2）编组站内有大量列车停靠，造成场景电磁情况对位置变化很敏感，难以采用经验模型或简单的机器学习模型预测信号覆盖情况；

3）编组站内通常有多个天线，其天线参数规划计算量随天线数目成指数增长，应尽量缩小解空间，避免直接采用机器学习进行求解；

4）文献[7-13]仅研究了优化方法，未对误差进行定量分析.

为解决上述问题，本文采用射线跟踪方法精确描述场景内的电波传播情况. 以天线发射总功率最低为目标，采用聚类算法归并具有代表性的天线角度组合并进行评估筛选. 通过计算场景的参考信号接收功率（reference signal receiving power，RSRP）标准值对筛选的天线角度组合采用混合遗传算法进行功率优化，得出天线最低总功率. 定量分析了本文方法同遍历算法的结果误差计算时间，并基于江村编组站现场进行试验，验证了本文方法的准确性和高效性.

1. 方法技术路线

1.1 聚类算法归并

对于主瓣宽度有限的定向天线，天线角度改变会引起天线在各角度上发射增益的改变，从而改变场景各接收点的RSRP和SINR. 当接收点接收到的各天线发射功率相近时，天线角度变化将引起SINR数值显著波动；各天线发射功率差异较大时，SINR数值无明显波动. 选取SINR数值波动剧烈的接收点参与计算可降低聚类计算量.

为评价各接受点SINR状况，定义重叠复杂度指标如下：

1）若各天线在该接收点的RSRP相差小于6 dB的个数为t，则重叠复杂度为t；

2）若不存在相差小于6 dB的RSRP值，则重叠复杂度为0.

通过统计场景各接收点在所有天线角度参数下重叠复杂度的方差，可以得到场景各接收点SINR随各天线角度参数变化的敏感程度. 对场景中的P个接收点选取方差较大的Q个天线角度参数形成数据集D（共 $P \times Q$ 个数据）参与聚类. 为提高结果归并的准确性，本文采用了3种常用的聚类算法进行聚类分析，并基于Calinski-Harabasz指数对聚类结果进行比选.

1.1.1 KNA-DBSCAN算法

基于密度的噪声应用空间聚类算法（density-based spatial clustering of applications with noise，DBSCAN）的结果对邻域阈值E_ps和点数阈值P_ts很敏感，本文采用基于数据集特征自动求解E_ps和P_ts的K最近点平均距离DBSCAN （DBSCAN based on K-nearest average distance，KNA-DBSCAN）算法^[14]，通过式（1）求解P_ts.

$S(k) = \sum\limits_{i = 1}^{N-1} {({d_{k + 1}}({p_i}) - {d_k}({p_i}))},$

(1)

式中： $S$ (·)为密度变化函数， ${d_k}({p_i})$ 为数据集D中数据点与第i个数据点p_i之间第k小的欧式距离，N为数据集中数据点的个数.

当 $S(k)$ 随k的增大出现第一个极小值时的 $S(k + 1)$ 为P_ts值. 记 ${d_k}({p_i})$ 为d_ki，将d_ki取以10为底的对数 ${d_{\lg,ki }}$ ，将数据集中所有数据点的 ${d_{\lg,ki }}$ 从小到大排序，以 ${d_{\lg,ki }}$ 出现第一次较大幅度的增大时的d_ki值为对应的E_ps. 确定E_ps和P_ts后进行聚类.

1.1.2 K-means + + 算法

K-means + + 算法的聚类数由人工指定. 首先在数据集D中随机选取一个数据点作为第一个聚类中心，再基于各数据点距离当前的m个聚类中心的欧氏距离之和E_disk，以线性概率选择第m + 1个聚类中心，数据点的E_disk值越大，被选为聚类中心的概率就越大. 选取聚类中心后进行K-means聚类.

1.1.3 层次聚类算法

层次聚类算法无需初始化聚类中心，以簇中所有数据点平均欧氏距离最小为准则进行聚类并形成聚类树状图，人工选取聚类深度最高的H个簇，各聚类簇为层次聚类结果.

1.1.4 聚类算法评估

上述的3种聚类算法各有优劣，KNA-DBSCAN算法难以适应密度不均匀的数据集；K-means + + 算法和层次聚类算法需要人工指定聚类数和聚类深度，结果通常不够精确. 本文基于Calinski-Harabasz指数对聚类结果进行比选，选取Calinski-Harabasz指数最高的聚类结果，其计算式为

$C = \frac{{{{\mathrm{tr}}}{B_K}}}{{{{\mathrm{tr}}}{W_K}}} \times \frac{{N - K}}{{K - 1}},$

(2)

${{\boldsymbol{W}}_K} = \sum\limits_{q = 1}^K {\sum\limits_{x \in {c_q}} {({\boldsymbol{x}} - {{\boldsymbol{C}}_q}){{({\boldsymbol{x}} - {{\boldsymbol{C}}_q})}^T}} },$

(3)

${{\boldsymbol{B}}_K} = \sum\limits_{q = 1}^K {{n_q}({{\boldsymbol{C}}_q} - c){{({{\boldsymbol{C}}_q} - c)}^T}},$

(4)

式中：C为Calinski-Harabasz指数；K为聚类的类别总数； ${{\boldsymbol{W}}_K}$ 为组内离散矩阵， ${{\boldsymbol{B}}_K}$ 为组间离散矩阵，x为数据点； ${{\boldsymbol{C}}_q}$ 为类别q的平均值，即类别q的质心；n_q为类别q的数据点总数； ${c_q}$ 为聚类q中的数据点；c是数据集D的平均值，即将数据集D中所有数据点矢量相加取平均值.

将该结果中每个聚类簇的各数据点同聚类中心的欧氏距离由小到大排列，选取距离最近的数据点所表征的天线角度参数组合，参与基于RSRP条件的筛选.

1.2 天线角度选取

在以编组站场景进行网络规划时，应将基站和天线放置在场景中部，以尽可能利用发射功率. 此时天线水平角变化范围在0°～360°之间，而俯仰角的优化范围和步长均较小，往往小于主瓣宽度，否则很可能指向场景之外. 由于俯仰角优化步长较小，为简化计算量，可认为固定步长的俯仰角变化导致场景中各接收点RSRP值的变化值相同，因此，场景所有接收点RSRP值的平均值（下文简称R值）变化也相同. 这样只需求出天线在某个水平角和俯仰角组合下的R值和俯仰角单步长变化引发的R值变化ε，即可推导出天线在该水平角下各个俯仰角的R值.

推广到天线所有水平角指向，首先保持所有天线的俯仰角均为v，根据式（5），求出各天线在所有仿真水平角度下场景R值的平均值R_v.

${R_{v}} = \frac{{\displaystyle\sum {{R_{{b_1}{b_2} \cdots {b_R} \cdots {b_s}}}} }}{{x_{{\mathrm{sim}}}^s}},\quad{b_n} \in V$

(5)

式中：s为天线总数， ${b_n}$ 为天线 ${a_n}$ 的水平角， $n \in \{ 1,2, \cdots ,s\}$ ；x_sim为天线水平角集合V中水平角的数量.

保持其他天线俯仰角不变，使天线a_n的俯仰角改变固定步长j，并求出此时对应场景的R值，记为 ${R_{{a_n},j}}$ . 当天线a_n的俯仰角改变m个步长时，天线a_n在所有水平角度下仿真计算得到场景R值的平均值 ${R_{{a_n},mj}}$ ，计算式如式（6）.

${R_{{a_n},mj}} = {R_v} + m({R_{{a_n},j}} - {R_v}),$

(6)

此时通过式（7）估算天线a_n的俯仰角分别旋转 $m$ 个步长时场景R值的平均值R_S，如式（7）.

${R_{\mathrm{S}}} = {R_v} + \sum\nolimits_{n = 1}^N {({R_{{a_n},j}} - {R_v})m}$

(7)

对所有天线俯仰角组合下的 $R_{\mathrm{S}}$ 相加取平均值即估算为所有天线角度参数下R值的平均值 $\overline R$ . 对1.1.4中各聚类簇选出的数据点，计算其所表征的天线角度参数下的R值，保留使R值> $\overline R$ 的天线角度参数，下一步对这些组角度参数进行功率优化.

1.3 功率优化

在进行功率优化时，如果遍历所有天线在限制范围内的功率，进而选取满足场景RSRP和SINR标准的最低发射总功率将造成计算量过大. 另一方面，遗传算法虽具有全局搜索能力强的优势，但容易产生早熟现象，且局部搜索能力较差. 本文采用遗传算法与模拟退火算法相结合的混合遗传算法进行计算，可提高局部搜索能力及准确性.

对1.2中筛选出的天线角度参数采用混合遗传算法进行功率优化，得到总功率最低且满足RSRP和SINR条件的功率组合. 对比各角度参数优化出的功率组合，选取总功率最低的功率组合作为最终结果. 基于混合遗传算法进行功率优化的步骤如下：

步骤1　初始化参数. 以每组天线功率参数组合为种群中的个体，N_S为设置种群中个体数目，N_d为迭代次数，p_m为染色体交叉率，p_c为变异率，T₀为初始温度，个体的值域为天线的功率范围.

步骤2　二进制编码. 以二进制表示初始种群中的个体值，二进制位数根据值域范围设定.

步骤3　构建适应函数筛选个体. 个体的筛选主要参考该功率下场景RSRP、SINR的条件和发射总功率，满足RSRP、SINR条件的接收点越多，天线发射总功率越低，个体被保留的概率越大. 为缓解遗传算法中的早熟现象，利用遗传代数控制温度退火，根据式（8）～（9）对所有个体的适应函数进行归一化得到适应度.

$f(u) = \frac{{{e^{\tfrac{{{f_u}}}{T_1}}}}}{{\displaystyle\sum\limits_{u = 1}^M {{e^{\tfrac{{{f_u}}}{T_{\mathrm{l}}}}}} }},$

(8)

$T_{\mathrm{l}} = {T_0}({0.99^{g - 1}}),$

(9)

式中： $f(u)$ 为第u个个体的适应度，f_u为第u个个体的适应函数值，M为种群大小，g为遗传代数，T_l为迭代后的温度，T₀为初始温度.

步骤4　种群内竞争. 随机选取种群内的2个个体，比较其适应度，以适应度高的个体为优解，适应度低的个体为劣解. 为进一步缓解遗传算法的早熟现象，进行筛选时引入模拟退火算子，以概率P接收劣解，如式（10）所示.

$P = \left\{ {\begin{array}{*{20}{c}} {{e^{\tfrac{{{P_1} - {P_2}}}{T_{\mathrm{l}}}}}},&{{P_1} \gt {P_2}},\\ 0,&{{P_1} \leqslant {P_2}} , \end{array}} \right.$

(10)

式中： ${P_1}$ 为旧解的天线总功率， ${P_2}$ 指新解的天线总功率.

种群间竞争的过程中个体总数目不变，允许出现重复个体.

步骤5　染色体交叉. 对种群中的个体随机两两配对，基于初始化参数中设置的交叉率随机选择二进制码中的交叉位置进行交叉，对比生成的子代和亲代的适应度进行筛选. 以适应度高的个体为新解，适应度低的个体为旧解，按照步骤4中方法进行筛选.

步骤6　染色体变异. 基于初始化参数中设置的变异率随机选择个体二进制码中的变异位置，将变异后的个体同变异前对比，按照步骤4中方法进行筛选.

混合遗传算法流程如图1所示，对步骤2到步骤6进行循环，直至满足条件或达到迭代次数N_d为止. 最终得到的种群中的个体，由于适应函数综合了天线总功率、场景RSRP和SINR情况，所筛选出的功率组合未必全部满足场景RSRP和SINR标准，因此必须统计各功率参数下场景RSRP与SINR情况. 比较各组天线角度组合下优化得到的功率参数，选择满足标准且总功率最小的天线功率参数组合.

图 1 混合遗传算法流程

Figure 1. Hybrid genetic algorithm flow

下载: 全尺寸图片幻灯片

2. 算法效果验证

2.1 仿真平台与编组站场景

2.1.1 CloudRT射线跟踪仿真平台

CloudRT是由我国自主研发的高性能射线跟踪仿真平台，在高性能计算机上用户配置环境模型、天线模型、收发机位置、传播机理和频率等参数后就能完成仿真^[15-16]. 仿真结果包括每个收发机位置的信道冲激响应、多径详细信息、复数域场强和路径损耗等，根据以上信息计算场景各位置RSRP和SINR. CloudRT使用流程如图2所示.

图 2 CloudRT使用流程

Figure 2. Application of CloudRT

下载: 全尺寸图片幻灯片

2.1.2 编组站场景配置

江村站为3级7场双向纵列混合式编组站，本文以该编组场为仿真场景，以2.1 GHz为仿真中心频率，在模拟场景中3个较高位置分别部署1个基站，每个基站配备一根65° 定向垂直极化天线，如图3所示. 接收天线采用全向天线，设置在1台HXD3型机车上方0.3 m，距机车最前端2 m，沿各空置铁路沿线间隔20 m撒点，共有715个点位.

图 3 江村编组站布局示意与俯视图

Figure 3. Layout and top view of Jiangcun Marshalling Station

下载: 全尺寸图片幻灯片

设定3个发射天线角度设置为水平角0°～360°，以60°为步长；俯仰角1°～5°，以1°为步长，天线初始发射功率设置为0 dBm. 仿真参数如表1. 该频段下的材料电磁参数如表2.

表 1 基站和天线配置

Table 1. Configuration of base stations and antennas

参数	配置
中心频率/GHz	2.1
天线增益/dBi	19
基站高度/m	15
车载接收天线位置	沿部分铁轨间隔20 m撒点
车载接收天线高度/m	4.57
子载波带宽/kHz	15

下载: 导出CSV

| 显示表格

表 2 2.1 GHz材料电磁参数

Table 2. Electromagnetic parameters of materials at 2.1 GHz

材料	介电常数实部	损耗角正切
金属	1.00	1000000.00
地砖	1.83	0.31
红砖	1.44	0.11
木材	1.28	0.01

下载: 导出CSV

| 显示表格

2.2 算法准确性

通过仿真形成的数据集共有27000=（6 × 5）³个天线角度组合，每个角度组合对应场景内715个接收点的接收功率. 统计各接收点在不同天线角度下的重叠复杂度的方差，取方差最大的100个接收点的重叠复杂度形成规模为27000 × 100的数据集D.

对数据集D进行3种方式的聚类计算. 根据式（1）计算得出使S取得最小值时的k值（k=4），点数阈值P_ts为5. 根据KNA-DBSCAN邻域阈值确定方法，对各数据点计算距离其第4近的点同它的对数欧氏距离d_4i，如图4所示.

图 4 对数欧氏距离排序

Figure 4. Ranking for logarithmic euclidean distance

下载: 全尺寸图片幻灯片

从图中可以看出，第一个陡坡的d_lg,4i为9.274，因此邻域阈值E_ps=8.461. 采用该方法进行聚类，共生成19个聚类簇.

采用K-means + + 算法需要人工指定聚类簇. 由于KNA-DBSCAN算法通过计算，得出邻域阈值和点数阈值，其聚类簇数具有一定的参考意义，人工指定的簇数应与KNA-DBSCAN在数量级上一致，因此将27000个数据点划分为27个簇，对数据集D进行K-means + + 聚类.

采用层次聚类算法需要人工指定聚类深度H，该深度决定了聚类簇数，因此其选取原则同K-means ++ 的原则相同. 本文对数据集进行层次聚类结果如图5所示（共2700个数据点），选取了聚类深度最高的23个簇（图中红线以上），既保证簇内数据集内数据相似性，又不使聚类簇数太多，各聚类簇为层次聚类结果.

图 5 层次聚类树

Figure 5. Hierarchical clustering tree

下载: 全尺寸图片幻灯片

3种聚类方法得到的聚类结果对比如表3所示.

表 3 各聚类方法结果对比

Table 3. Comparison of results of each clustering algorithm

聚类方法	聚类簇数	Calinski-Harabaz指数
KNA-DBSCAN	19	2.0077 × 10⁷
K-means + +	27	1.5512 × 10⁷
层次聚类	23	2.1164 × 10⁶

下载: 导出CSV

| 显示表格

选择Calinski-Harabaz指数最高的方法为最终结果，即KNA-DBSCAN聚类方法.

对19个聚类簇选取距离聚类中心最近的19个数据点所代表的天线角度参数. 对数据集D计算 ${R_v}$ 为−99.74 dBm，计算各天线角度参数下的R值同 ${R_v}$ 比较，共有11组天线角度参数通过了筛选. 对这11组参数进行功率优化.

基于混合遗传算法进行功率优化时，个体的取值代表天线的发射功率，个体的值域代表天线的发射功率范围. 本文根据中国移动发布的《4G网络高速铁路覆盖技术要求》^[17]，设置标准为场景95%位置RSRP值>−95 dBm和场景95%位置SINR值>9 dB. 先等量地增加各天线发射功率，直到场景中从大到小排在95%位置的RSRP值>−95 dBm. 个体值域范围设定为在该发射功率以下15 dB到该发射功率以上16 dB，采用5位二进制数对个体进行编码. 混合遗传算法初始化参数取值如表4所示.

表 4 功率优化初始化参数取值

Table 4. Initialized parameter configuration for power optimization

参数	取值
N_S	216
T_d	200
p_m	0.4
p_c	0.03
t	100

下载: 导出CSV

| 显示表格

以单位为场景各接收点由大到小排在第95%位的RSRP值A（单位为dBm）、场景中SINR<9 dB的接收点点数l和天线总发射功率V为自变量构建适应函数，如式（11）所示.

$f = \frac{1}{{V + l - 35 - (A - ( - 95))}}$

(11)

本文运行了10次混合遗传算法，对得出的10组天线总功率取平均值，同遍历得出的最低天线发射功率进行比较，结果如表5所示.

表 5 混合遗传算法和遍历算法得出的天线参数

Table 5. Antenna parameters derived from hybrid genetic algorithm and traversal algorithm

组数	1号天线		2号天线		3号天线		总功率/dBm
组数	角度组合	发射功率	角度组合	发射功率	角度组合	发射功率	总功率/dBm
1	（0°,4°）	−4 dBm	（180°,5°）	18 dBm	（120°,3°）	2 dBm	18.1
2	（0°,4°）	−11 dBm	（180°,5°）	18 dBm	（120°,2°）	−7 dBm	20.0
3	（0°,5°）	1 dBm	（60°,5°）	22 dBm	（60°,1°）	7 dBm	22.2
4	（0°,4°）	−3 dBm	（180°,5°）	18 dBm	（300°,1°）	−8 dBm	18.0
5	（0°,4°）	−8 dBm	（180°,5°）	18 dBm	（300°,2°）	0 dBm	18.1
6	（0°,5°）	8 dBm	（60°,5°）	22 dBm	（60°,1°）	4 dBm	22.2
7	（0°,4°）	−9 dBm	（180°,5°）	18 dBm	（60°,1°）	0 dBm	18.1
8	（0°,5°）	0 dBm	（60°,5°）	22 dBm	（60°,1°）	4 dBm	22.1
9	（0°,4°）	−3 dBm	（180°,5°）	18 dBm	（300°,1°）	−8 dBm	18.0
10	（0°,4°）	−6 dBm	（180°,5°）	24 dBm	（120°,2°）	−5 dBm	24.0
遍历算法	（240°,5°）	−6 dBm	（300°,5°）	16 dBm	（180°,1°）	−6 dBm	16.1

下载: 导出CSV

| 显示表格

表格中角度组合（0°，4°），0°为水平角，4°为俯仰角，其角度组合释义类同. 从上表计算得出，10组混合遗传算法得出的天线发射总功率的平均值为21.7 dBm，遍历算法得出的最低总发射功率为16.1 dBm，2种方法最终结果相差5.6 dBm.

1.3 算法高效性

采取同一计算机分别记录本文提出的规划方法和传统遍历算法运行一次所需的时间对比. 如表6 所示，3种聚类算法在运行的过程中计算各自的Calinski-Harabasz指数，经人工比较选择最合适的聚类算法. 经测算，传统遍历算法耗时73 h 27 min，混合遗传算法耗时9 h 56 min，仅为传统遍历算法所需时间的13.5%. 即使考虑本文方法所需的少许人工操作时间，该方法总耗时也远少于传统遍历算法.

表 6 本文方法所需时间表

Table 6. Time required for proposed algorithm

算法	本文方法所需时间
K-means + + 算法	1 h 52 min
层次聚类算法	1 h 15 min
DBSCAN算法	20 min
求R值算法	< 1 min
基于R值的筛选	< 1 min
混合遗传算法	6 h 29 min
总时间	9 h 56 min

下载: 导出CSV

| 显示表格

3. 编组站场景5G网络应用

根据上述江村编组站天线参数规划的仿真结果，将天线参数实际应用于江村编组站5G网络规划中. 江村编组站5G网络组网如图5所示，基站位置分布图如图6所示. 江村编组站铁路区域面积近1.37平方公里，本次规划新建3处 5G站点，以满足站点及周边铁路沿线区域业务需求，3处站点信息如表7所示.

图 6 江村编组站5G网络组

Figure 6. 5G network of Jiangcun Marshalling Station

下载: 全尺寸图片幻灯片

表 7 江村编组站5G基站信息表

Table 7. Configurations of 5G base stations at Jiangcun Marshalling Station

站点名称	小区名称	高度/ （°）	水平角/ （°）	俯仰角/ （°）
广州白云区江村车站上编尾	D-ZRH-1	39	80	6
	D-ZRH-2	39	190	6
	D-ZRH-3	39	320	6
广州白云区江村车站下出发	D-ZRH-1	24	30	6
	D-ZRH-2	24	130	6
	D-ZRH-3	24	240	6
	D-ZRH-4	24	320	6
广州白云区江村车站上到场	D-ZRH-1	21	60	3
	D-ZRH-2	21	190	3
	D-ZRH-3	21	290	6

下载: 导出CSV

| 显示表格

江村编组站5G网络组网成功后，对网络进行动态覆盖测试，测试当网络覆盖和接收设备正常情况下5G网络能否满足区内的业务需求.

通过规划合理的测试线路和测试场景，在固定频点扫描速率下，在测试区域内进行打点测试，共记录了52537个接收点的设备接入情况. 以RSRP＞−95， SINR＞9为条件实现覆盖，其覆盖情况如表8所示.

表 8 覆盖情况

Table 8. Coverage situation

参数	配置
覆盖率/%	98.87
平均RSRP/dBm	−73.36
平均SINR/dB	12.43

下载: 导出CSV

| 显示表格

RSRP和SINR情况分别如图8～9所示. 图例中的x表示在某范围内的RSRP或SINR值；左侧括号中的数据表示在对应的RSRP或SINR范围内的接收点的个数；右侧括号中的数据表示在对应的RSRP或SINR范围内的接收点个数占总接收点数量的百分比.

图 8 江村编组站RSRP

Figure 8. RSRP of Jiangcun Marshalling Station

下载: 全尺寸图片幻灯片

图 9 江村编组站SINR

Figure 9. SINR of Jiangcun Marshalling Station

下载: 全尺寸图片幻灯片

从图中可以看出，采用本文提出的方法优化5G网络，江村编组站覆盖情况满足RSRP和SINR的要求. 可承载编组站业务.

图 7 江村编组站5G服务基站位置分布

Figure 7. Location of 5G service base stations at Jiangcun Marshalling Station

下载: 全尺寸图片幻灯片

4. 结　论

本文介绍了一套对多天线角度和功率参数优化的方法. 方法总结如下：

1）引入重叠复杂度的概念对数据集进行降维，通过Calinski-Harabaz指数选择合适的聚类算法进行聚类.

2）利用简便算法快速估计所有天线角度组合下的R值的平均值，基于R值初步选出各聚类簇中具有代表性的天线角度参数.

3）采用混合遗传算法进行功率优化，对上一各天线角度参数求解出的功率组合进行对比，选取满足RSRP和SINR标准的天线总发射功率最小的方案.

将该方案运用于江村编组站仿真场景，得到的天线发射总功率比遍历算法得出的总功率高出5.6 dB，而用时仅为遍历算法的13.5%，验证了算法的准确性和高效性，该方法已被在江村站实际规划中应用，达到了场景信号覆盖RSRP和SINR标准，适合在编组站场景中使用.

图 1 圆弧型车轮型面示意

Figure 1. Curving wheel profile

下载: 全尺寸图片幻灯片

图 2 4个目标函数对应Pareto优化前沿

Figure 2. Four objective functions corresponding to Pareto optimization frontier

下载: 全尺寸图片幻灯片

图 3 优化前后车轮型面轮廓对比

Figure 3. Comparison of wheel profiles before and after optimization

下载: 全尺寸图片幻灯片

图 4 JM₃不同匹配条件的轮轨接触点分布

Figure 4. Distribution of wheel-rail contact points under different matching conditions of JM₃

下载: 全尺寸图片幻灯片

图 5 JM₃-opt不同匹配条件的轮轨接触点分布

Figure 5. Distribution of wheel-rail contact points under different matching conditions of JM₃-opt

下载: 全尺寸图片幻灯片

图 6 车轮型面优化前后等效锥度对比

Figure 6. Comparison of equivalent conicities before and after wheel profile optimization

下载: 全尺寸图片幻灯片

图 7 不同匹配条件对应的名义等效锥度值

Figure 7. Nominal equivalent conicity values corresponding to different matching conditions

下载: 全尺寸图片幻灯片

图 8 高速动力车动力学模型

Figure 8. Dynamic model of high-speed power vehicle

下载: 全尺寸图片幻灯片

图 9 轨底坡1/20对应的非线性临界速度对比

Figure 9. Comparison of nonlinear critical speeds corresponding to 1/20 rail cant

下载: 全尺寸图片幻灯片

图 10 车轮型面优化前后横向平稳性指标对比

Figure 10. Comparison of lateral stability indexes before and after wheel profile optimization

下载: 全尺寸图片幻灯片

图 11 车体横向振动加速度对比

Figure 11. Comparison of lateral vibration acceleration of vehicle body

下载: 全尺寸图片幻灯片

图 12 车轮型面优化前后曲线通过性能指标对比

Figure 12. Comparison of curving performance indexes before and after wheel profile optimization

下载: 全尺寸图片幻灯片

图 13 车轮型面优化前后不同曲线工况磨耗数对比

Figure 13. Comparison of wear number under different curve conditions before and after wheel profile optimization

下载: 全尺寸图片幻灯片

图 14 车轮型面优化前后R1600曲线工况磨耗数对比

Figure 14. Comparison of wear number of R1600 curve before and after wheel profile optimization

下载: 全尺寸图片幻灯片

表 1 设计变量上下限

Table 1. Upper and lower limits of design variables

圆弧参数下限/mm 上限/mm

$x_{O_6}$ −9.0 −0.5

$x_{O_7}$ 10.0 30.0

下载: 导出CSV

表 2 计算等效锥度的匹配条件

Table 2. Matching condition for calculating equivalent conicity

序号钢轨轨底坡 λ_i

1 CN60 1/40 λ₁
2 1/20 λ₂
3 CN60N 1/40 λ₃
4 1/20 λ₄

下载: 导出CSV

表 3 不同匹配条件的非线性临界速度

Table 3. Nonlinear critical speeds under different matching conditions

钢轨轨底坡 JM₃/（km·h⁻¹） JM₃-opt/（km·h⁻¹）

CN60 1/40 395 390
1/20 215 345
CN60N 1/40 660 670
1/20 200 530

下载: 导出CSV

参考文献(22)

[1]	PERSSON I, IWNICKI S. Optimisation of railway wheel profiles using a genetic algorithm[J]. Vehicle System Dynamics, 2004, 41: 517-526.
[2]	李立,崔大宾,金学松. 车轮型面优化的研究进展[J]. 西南交通大学学报,2009,44(1): 13-19. LI Li, CUI Dabin, JIN Xuesong. State of arts of research on railway wheel profile optimization[J]. Journal of Southwest Jiaotong University, 2009, 44(1): 13-19.
[3]	吴磊,康彦兵,董勇,等. 考虑打磨量的重载钢轨打磨廓形优化设计[J]. 西南交通大学学报,2022,57(4): 805-812. WU Lei, KANG Yanbing, DONG Yong, et al. Optimal design of heavy-haul rail grinding profile considering grinding amount[J]. Journal of Southwest Jiaotong University, 2022, 57(4): 805-812.
[4]	SHEVTSOV I Y, MARKINE V L, ESVELD C. Optimal design of wheel profile for railway vehicles[J]. Wear, 2005, 258(7/8): 1022-1030.
[5]	成棣,王成国,刘金朝,等. 以圆弧参数为设计变量的车轮型面优化数学模型研究[J]. 中国铁道科学,2011,32(6): 107-113. CHENG Di, WANG Chengguo, LIU Jinzhao, et al. Research on the mathematical model for wheel profile optimization with arc parameters as design variables[J]. China Railway Science, 2011, 32(6): 107-113.
[6]	YE Y G, QI Y Y, SHI D C, et al. Rotary-scaling fine-tuning (RSFT) method for optimizing railway wheel profiles and its application to a locomotive[J]. Railway Engineering Science, 2020, 28(2): 160-183. doi: 10.1007/s40534-020-00212-z
[7]	SHEN G, AYASSE J B, CHOLLET H, et al. A unique design method for wheel profiles by considering the contact angle function[J]. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 2003, 217(1): 25-30. doi: 10.1243/095440903762727320
[8]	JAHED H, FARSHI B, ESHRAGHI M A, et al. A numerical optimization technique for design of wheel profiles[J]. Wear, 2008, 264(1/2): 1-10.
[9]	POLACH O. Wheel profile design for target conicity and wide tread wear spreading[J]. Wear, 2011, 271(1/2): 195-202.
[10]	CUI D B, LI L, JIN X S, et al. Optimal design of wheel profiles based on weighed wheel/rail gap[J]. Wear, 2011, 271(1/2): 218-226.
[11]	SANTAMARIA J, HERREROS J, VADILLO E G, et al. Design of an optimised wheel profile for rail vehicles operating on two-track gauges[J]. Vehicle System Dynamics, 2013, 51(1): 54-73. doi: 10.1080/00423114.2012.711478
[12]	干锋,戴焕云,池茂儒,等. 铁道车辆车轮踏面反向优化设计方法[J]. 铁道学报,2015,37(9): 17-24. GAN Feng, DAI Huanyun, CHI Maoru, et al. A reverse optimal design method for wheel tread of railway vehicle[J]. Journal of the China Railway Society, 2015, 37(9): 17-24.
[13]	成棣,孙琛,胡晓依,等. 面向低锥度晃车的CRH3平台动车组车轮型面优化[J]. 中国铁道科学,2020,41(6): 135-144. CHENG Di, SUN Chen, HU Xiaoyi, et al. Wheel profile optimization of CRH3 EMU oriented to carbody shaking caused by low equivalent conicity[J]. China Railway Science, 2020, 41(6): 135-144.
[14]	祁亚运,戴焕云,干锋,等. 基于车轮磨耗和舒适度的CRH3型动车组型面优化研究[J]. 振动与冲击,2021,40(18): 148-155. QI Yayun, DAI Huanyun, GAN Feng, et al. Wheel profile optimization of CRH3 type of EMU based on wheel wear and passenger comfort[J]. Journal of Vibration and Shock, 2021, 40(18): 148-155.
[15]	杜星,陶功权,杨城,等. 轨底坡变化对高速车辆运行行为的影响[J]. 西南交通大学学报,2022,57(2): 286-294. DU Xing, TAO Gongquan, YANG Cheng, et al. Influence of different rail cants on dynamical characteristics of high-speed railway vehicles[J]. Journal of Southwest Jiaotong University, 2022, 57(2): 286-294.
[16]	SUN J F, CHI M R, JIN X S, et al. Experimental and numerical study on carbody hunting of electric locomotive induced by low wheel–rail contact conicity[J]. Vehicle System Dynamics, 2021, 59(2): 203-223. doi: 10.1080/00423114.2019.1674344
[17]	宋志坤,孙琛,成棣,等. 车轮型面圆弧参数及其对轮轨接触和车辆动力学影响研究[J]. 中国铁道科学,2019,40(6):104-113. SONG Zhikun, SUN Chen, CHENG Di, et al. Research on arc parameters of wheel profile and its influence on wheel-rail contact and vehicle dynamics[J]. China Railway Science, 2019, 40(6):104-113.
[18]	国家铁路局. 机车车辆车轮轮缘踏面外形:TB/T 449—2016[S]. 北京:中国铁道出版社,2016.
[19]	孙琛. CRH3型平台高速动车组车轮型面多目标优化研究[D]. 北京:北京交通大学,2020.
[20]	张维煜,李凯,杨鑫. 基于参数优先级划分的飞轮电机多目标优化[J]. 西南交通大学学报,2023,58(4): 922-932. ZHANG Weiyu, LI Kai, YANG Xin. Multi-objective optimization for flywheel motors based on parameter priority division[J]. Journal of Southwest Jiaotong University, 2023, 58(4): 922-932.
[21]	石怀龙,罗仁,曾京. 国内外高速列车动力学评价标准综述[J]. 交通运输工程学报,2021,21(1): 36-58. SHI Huailong, LUO Ren, ZENG Jing. Review on domestic and foreign dynamics evaluation criteria of high-speed train[J]. Journal of Traffic and Transportation Engineering, 2021, 21(1): 36-58.
[22]	BRACCIALI A, MEGNA G. Contact mechanics issues of a vehicle equipped with partially independently rotating wheelsets[J]. Wear, 2016, 366/367: 233-240. doi: 10.1016/j.wear.2016.03.037

施引文献

附加材料(0)

访问统计

点击查看大图

图(14) / 表(3)

计量

文章访问数: 28
HTML全文浏览量: 15
PDF下载量: 10
被引次数: 0

1. 方法技术路线
1.1 聚类算法归并
1.2 天线角度选取
1.3 功率优化
2. 算法效果验证
2.1 仿真平台与编组站场景
2.2 算法准确性
1.3 算法高效性
3. 编组站场景5G网络应用
4. 结　论

圆弧参数	下限/mm	上限/mm
$x_{O_6}$	−9.0	−0.5
$x_{O_7}$	10.0	30.0

序号	钢轨	轨底坡	λ_i
1	CN60	1/40	λ₁
2	CN60	1/20	λ₂
3	CN60N	1/40	λ₃
4	CN60N	1/20	λ₄

钢轨	轨底坡	JM₃/（km·h⁻¹）	JM₃-opt/（km·h⁻¹）
CN60	1/40	395	390
CN60	1/20	215	345
CN60N	1/40	660	670
CN60N	1/20	200	530

考虑等效锥度离散度的JM3车轮型面优化

doi: 10.3969/j.issn.0258-2724.20230173

作者简介: 孟凡愚（1996—），男，博士研究生，研究方向为车辆系统动力学，E-mail：fymeng@my.swjtu.edu.cn

通讯作者: 姚远（1983—），男，研究员，博士，研究方向为机车车辆设计理论和车辆系统动力学，E-mail：yyuan8848@163.com

计量

出版历程

Optimization of JM3 Wheel Profile Considering Equivalent Conicity Dispersion

1. 方法技术路线

1.1 聚类算法归并

1.1.1 KNA-DBSCAN算法

1.1.2 K-means + + 算法

1.1.3 层次聚类算法

1.1.4 聚类算法评估

1.2 天线角度选取

1.3 功率优化

2. 算法效果验证

2.1 仿真平台与编组站场景

2.1.1 CloudRT射线跟踪仿真平台

2.1.2 编组站场景配置

2.2 算法准确性

1.3 算法高效性

3. 编组站场景5G网络应用

4. 结 论

计量

出版历程

目录

1. 方法技术路线

1.1 聚类算法归并

1.2 天线角度选取

1.3 功率优化

2. 算法效果验证

2.1 仿真平台与编组站场景

2.2 算法准确性

1.3 算法高效性

3. 编组站场景5G网络应用

4. 结 论

考虑等效锥度离散度的JM₃车轮型面优化

作者简介:
孟凡愚（1996—），男，博士研究生，研究方向为车辆系统动力学，E-mail：fymeng@my.swjtu.edu.cn

通讯作者:
姚远（1983—），男，研究员，博士，研究方向为机车车辆设计理论和车辆系统动力学，E-mail：yyuan8848@163.com

Optimization of JM₃ Wheel Profile Considering Equivalent Conicity Dispersion

4. 结　论

4. 结　论