Deep learning–driven multi–objective optimization for improving the heavy–haul coupler stability

doi:10.1080/00423114.2026.2693181

Deep learning–driven multi–objective optimization for improving the heavy–haul coupler stability

2026-08-03

0

PRE

AI

DOI：10.1080/00423114.2026.2693181

原文链接

原文求助

摘要

En 中文

联轴器不稳定性仍然是长编组重载列车面临的严峻挑战，会降低联轴器-缓冲器性能，甚至引发严重安全事故。现有研究主要通过参数调整来改善联轴器稳定性，却忽视了子系统耦合效应和动力学性能约束。为解决这一问题，本研究提出了一种结合深度学习和多目标优化的新框架，以增强重载联轴器稳定性。首先，基于验证的三维多体动力学（MBD）重载列车模型构建联轴器稳定性数据库。然后，在数据损失和物理约束的联合监督下，训练一个结合双分支卷积和多层感知器模块与级联编码器-解码器网络的深度学习代理模型（DBCM-CEDNet），该模型准确捕捉了联轴器-缓冲器、悬挂系统参数与动力学性能之间的非线性映射关系。最后，将DBCM-CEDNet作为改进的非支配排序遗传算法III（NSGA-III）的适应度函数，高效生成帕累托解集，并通过基于最小距离的后验策略选择最优参数匹配方案。优化方案有效抑制了联轴器横向不稳定性，动力学指标均在安全限值内。总体而言，所提出的方法能够探索复杂的参数设计空间，揭示多系统参数的相互作用，并以低于MBD仿真的计算成本识别最优联轴器稳定性配置。

Keyword:

Heavy-haul trains

coupler stability

deep learning

multi-objective optimization

DBCM-CEDNet

multi-body dynamics

Deep learning–driven multi–objective optimization for improving the heavy–haul coupler stability

摘要

期刊

机构