Zobrazit minimální záznam
dc.contributor.author |
Onat, Altan
|
cze |
dc.contributor.author |
Voltr, Petr
|
cze |
dc.date.accessioned |
2020-03-19T12:24:35Z |
|
dc.date.available |
2020-03-19T12:24:35Z |
|
dc.date.issued |
2020 |
eng |
dc.identifier.issn |
1547-2450 |
eng |
dc.identifier.uri |
https://hdl.handle.net/10195/74686 |
|
dc.description.abstract |
Model-based condition monitoring is an increasingly important area for rail transportation. The key elements of such condition monitoring methodologies are low-cost vehicle sensors and intelligent algorithms. In this study, a swarm intelligence-based multiple models approach is proposed to detect different friction conditions by using velocity measurements of a railway vehicle. In this case of application, estimated parameter is the maximum friction coefficient. Additionally, proposed methodology is tested experimentally by using the measurements taken from a tram wheel test stand. Multiple mathematical models of the test stand are created with different maximum friction coefficients, whereas all initial conditions and other system parameters are same for each model. Therefore, comparison of the output of each model with measurements is considered to interpret the parameter value of the model, which best represents the system, is selected as parameter estimate. Unlike the traditional multiple models approach, a swarm intelligence-based evolution of the models is proposed. Experiments carried out on the test stand reveal that the proposed methodology is promising to be used as an on-board friction condition monitoring tool for railway vehicles with traction. |
eng |
dc.format |
p. 93-107 |
eng |
dc.language.iso |
eng |
eng |
dc.publisher |
Taylor & Francis Inc |
eng |
dc.relation.ispartof |
Journal of Intelligent Transportation Systems, volume 24, issue: 1 |
eng |
dc.rights |
Pouze v rámci univerzity |
eng |
dc.subject |
condition monitoring |
eng |
dc.subject |
friction estimation |
eng |
dc.subject |
locomotive |
eng |
dc.subject |
low adhesion |
eng |
dc.subject |
multiple models |
eng |
dc.subject |
roller-rig |
eng |
dc.subject |
swarm intelligence |
eng |
dc.subject |
test stand |
eng |
dc.subject |
sledování podmínek |
cze |
dc.subject |
odhad součinitele tření |
cze |
dc.subject |
lokomotiva |
cze |
dc.subject |
zhoršená adheze |
cze |
dc.subject |
soubor modelů |
cze |
dc.subject |
kladkový stav |
cze |
dc.subject |
inteligence hejna |
cze |
dc.subject |
zkušební stav |
cze |
dc.title |
Velocity measurement-based friction estimation for railway vehicles running on adhesion limit: swarm intelligence-based multiple models approach |
eng |
dc.title.alternative |
Odhad součinitele tření u železničních vozidel na mezi adheze na základě měření rychlosti: přístup založený na více modelech s inteligencí hejna |
cze |
dc.type |
article |
eng |
dc.description.abstract-translated |
Sledování podmínek založené na modelu je v železniční dopravě tématem, které nabývá na významu. Klíčovým prvkem těchto metod jsou nízkonákladové snímače na vozidlech a inteligentní algoritmy. V této studii je navržen přístup založený na souboru modelů s inteligencí hejna, který umožňuje detekci různých třecích podmínek na základě měření rychlostí na železničním vozidle. Odhadovaným parametrem je maximální součinitel tření. Navržená metodika je experimentálně testována s využitím dat z měření na zkušebním stavu tramvajového kola. Je vytvořen soubor modelů zkušebního stavu s různými hodnotami maximálního součinitele tření, přičemž ostatní parametry a počáteční podmínky jsou pro všechny instance stejné. Ten z modelů, který poskytuje výsledky nejbližší naměřenému chování, tudíž reprezentuje nejlepší odhad třecích podmínek. Narozdíl od tradičního přístupu se souborem modelů je využita evoluce modelů založená na inteligenci hejna (swarm intelligence). Experimenty provedené na zkušebním stavu ukazují, že navržená metodika poskytuje slibné výsledky pro využití v palubních systémech identifikace třecích podmínek u hnacích kolejových vozidel. |
cze |
dc.peerreviewed |
yes |
eng |
dc.publicationstatus |
postprint |
eng |
dc.identifier.doi |
10.1080/15472450.2018.1542305 |
eng |
dc.relation.publisherversion |
https://www.tandfonline.com/doi/abs/10.1080/15472450.2018.1542305?journalCode=gits20 |
eng |
dc.identifier.wos |
000489989200001 |
eng |
dc.identifier.obd |
39882978 |
eng |
Tento záznam se objevuje v následujících kolekcích
Zobrazit minimální záznam
|
Vyhledávání
Procházet
-
Vše v Digitální knihovně
-
Tato kolekce
Můj účet
|