车辆振动是导致列车舒适性下降的重要因素,也是评定车辆安全性和乘坐舒适性,作为限速、提速的主要依据。本文以轨道不平顺为输入,分别建立了车辆系统BP、RBF、NARX神经网络模型,以此预测车辆的振动状态。通过建立车辆SIMPACK动力学模型,验证基于神经网络的车辆振动预测评估方法的有效性,并采用遗传算法优化了BP、RBF神经网络的训练过程,提高了模型的预测精度。结果表明,NARX神经网络以及采用遗传算法优化的BP、RBF神经网络模型能够准确预测车体振动加速度的变化趋势,预测值与目标值具有较高的相关性。在以上算法研究的基础上,运用Lab VIEW软件设计了轨道车辆振动预测虚拟实验系统,并结合轨检车测试数据,实现了车体振动加速度的准确预测。主要内容如下:本文首先针对列车形式,建立其动力学模型,通过对比实测及模型输出的车辆振动数据,验证动力学模型的准确性。在此基础上,将实测的某线路轨道不平顺数据作为模型激励,获得相应的车体振动加速度响应,为后续验证神经网络模型的预测性能提供数据支撑。获取模型验证数据以后,以轨道不平顺为输入,车体振动加速度为输出,分别建立了车辆系统BP、RBF以及NARX神经网络模型。采用遍历法获得了最佳的神经网络结构与参数,实现了车体振动加速度的准确预测。针对BP、RBF神经网络预测精度较低的问题,在分析神经网络训练算法以及网络结构的基础上,采用遗传算法优化了BP、RBF神经网络的训练过程,提高了网络的预测精度。结果表明:NARX神经网络以及采用遗传算法优化的BP、RBF神经网络,能够准确预测轨道不平顺输入下的车体振动加速度输出,预测值与目标值达到中等程度以上相关。在以上算法研究的基础上,本文运用Lab VIEW软件开发了一套轨道车辆车体振动预测虚拟仿真系统。系统采用GJ-5轨检车测试数据,实现了准确预测车体振动加速度的目的。