高明亮 于闯 张丽杰 张海峰 邵俊捷

摘 要：随着计算机技术的发展，非线性辨识方法在高铁关键模型构建中扮演越来越重要的角色。BP神经网络（Back Propagation Neural Networks，BPNN）算法以其奇特的记忆训练能力、逼近能力在非线性建模中应用最为普遍，具有很好的应用效果和实际价值。高寒动车组的关键模型内在机理极其复杂，是典型的非线性关系模型。传统的数据方法通常是将非线性模型进行线性化分解，必然导致部分有效数据的丢失，通过传统的数学物理方法构建真实物理模型理论难度较大。针对高寒动车组模型的非线性问题，可利用非线性方法来构建机理模型深入挖掘模型内在非线性关系。为有效提高模型的预测精度与准确度，本文提出将具有高度非线性能力的BPNN对牵引电机轴承进行建模，通过仿真实验模型验证，BP神经网络模型方法，具有明显的建模优势，并取得了较好的预测结果。

关键词：高寒动车组；BP神经网络；牵引电机；轴承；模型精度；

在高速铁路与日俱增的客运需求下，对运力的需求不断增加，高铁设备日益复杂造成维护成本的剧增，运输系统日益复杂对运营协同优化的压力不断增加，设备长期服役导致车辆零部件故障率逐渐增加，例如轮对多边形、轴箱及电机轴承温度过高等故障率明显攀升。在此情况下，为提高轨道交通运输效率，降低设备运营维护成本，提高车辆及关键部件维修效率，轨道交通装备故障预测与健康管理（PHM）系统研究的开展迫在眉睫。……