Page 72 - 《摩擦学学报》2021年第1期

第 1 期 王美琪, 等: 基于SQPSO优化DELM的踏面磨耗测量模型 69

变，但为了保证此假设的可靠性，每次迭代计算以最 磨耗的变化趋势图. 图4为列车仿真运行五万公里时
大磨耗深度0.1 mm作为车轮踏面更新的判断依据，即 的磨耗深度图. 通过图4可以看出，车辆运行1万公里
每次迭代计算以车轮间隔磨耗量最大值达到设定值 时最大磨耗深度约为0.2 mm. 随着运行里程的增加，
为终止并开始下一次迭代计算 [25-26] . 每次车轮磨耗迭 在3万公里时，车轮踏面的磨耗范围变大，最大磨耗值
代计算采用累积磨耗后的最新车轮型面进行计算. 迭 在0.6 mm左右. 当运行到5万公里时，最大磨耗深度在
代次数越多，磨耗计算越准确，因此本试验中迭代次 0.9 mm左右. 轮缘基本没有磨耗，磨耗区间在(−40~
数设为15. 35 mm)，车轮磨耗量最大值是0.9 mm左右. 磨耗最深
图3为列车仿真运行五万公里时的左前轮的车轮 处位于25 mm处附近.

1

10
5
0 0
−5
y/mm −10 0 km y/mm −1 0 km
−15 10 000 km 10 000 km
20 000 km
20 000 km
−20 30 000 km 30 000 km
40 000 km
40 000 km
−25 50 000 km −2 50 000 km
−30
−60 −40 −20 0 20 40 60 0 5 10 15 20
x/mm x/mm
(a) Overall change diagram of tread profile (b) Local variation diagram of tread profile
Fig. 3 Simulation change diagram of tread profile
图 3 踏面廓形仿真变化图

1.0 半径超过1 200 m时，随着曲线半径的增大，踏面最大

0.9 10 000 km
0.8 20 000 km 磨耗值逐渐减小，在1 400 m处磨耗深度值最小，随着
30 000 km
0.7 40 000 km 半径的继续增大，磨耗值虽然有增大，但是增大的幅
0.6 50 000 km
y/mm 0.5 度较小. 也就是说曲线半径的增大能使车轮磨耗急剧
0.4
0.3 减小，但随着半径的增大，磨耗减小的幅度变小. 由图6
0.2 和表3可以看出，随着车速的提高，磨耗深度先减小后
0.1
0.0 增大，在速度为20~30 m/s之间时，车轮踏面的磨耗深
−0.1 度较小，最大磨耗为0.5 mm左右. 当车速超过30 m/s
−80 −60 −40 −20 0 20 40 60 80
x/mm 后，磨耗量迅速增加，最大磨耗深度达到0.75 mm以
Fig. 4 Wear depth of the train simulation 上. 运行速度的增加导致车轮磨耗加剧，且运行速度
图 4 列车仿真的磨耗深度图
越大，车轮磨耗寿命减小的幅度越大. 在只改变轴重
本文作者基于所建立的C80车辆动力学模型，利 的值时，由图7和表4可以看出，可以看出，随着轴重的
用UM软件对不同运行参数的列车模型进行磨耗计 提高，轮轨间作用力将加大，导致车轮踏面磨损量随
算，得到相应的踏面磨耗值，也就是磨耗深度. 通过 之增加，进而加速其破坏. 通过以上的数据对比，可以

SQPSO-DELM的神经网络模型，对踏面磨耗进行学习 看出，在不同的速度、轴重和曲线半径的情况下，车轮
和预测. 文献[9]提出，影响车轮踏面磨耗的因素主要 踏面的最大磨耗深度会有相应的变化，因此，本文中
是行车速度、轴重和曲线半径. 通过UM，对以上三种 选择行车速度、轴重和曲线半径作为变量参数输入到
工况下的车辆模型进行踏面磨耗的计算，计算结果如 神经网络中是合理的.
图5~7以及表2~4所示. 若仅改变曲线半径的值，由图5 针对以上参数，进行了3组磨耗计算. 在其他工况
和表2可以看出，曲线半径小于1 200 m时，随着曲线半 和外界环境不变的情况下，第一组是改变轴重的值，
径的减小，车轮踏面最大磨耗值急剧增大，而当曲线 分别为25、27和30 t，第二组是改变速度的值，分别取