基于双并联六自由度试验台的大型结构惯性参数测试新方法及其在铁路车辆车体中的应用

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A novel method for testing inertial parameters of large-scale structures

针对铁路车辆车体等大型结构惯性参数测试精度低、普适性差的问题，研究人员开发了一种基于双并联六自由度(6-DOF)试验台的新型测试方法。该方法创新性地采用变频加载技术和基于力矩差分的信号处理方法，结合摩擦干扰信号重构技术，显著提升了测试效率与精度。虚拟与现场测试结果表明，主要惯性参数相对误差均低于5%，为大型结构惯性参数的高精度识别提供了有效解决方案。

　　

随着高速列车运行速度的不断提升，车辆系统的动态性能仿真精度已成为保障行车安全的关键因素。然而，仿真结果的可靠性高度依赖于输入参数的准确性，其中铁路车辆车体的惯性参数（包括质量、质心位置和惯性张量等）对动态性能具有决定性影响。由于车体结构复杂、质量庞大，传统测试方法如复摆法、扭振法和振动测试法等在应用时面临严峻挑战：复摆法和扭振法主要适用于小型结构，且测试精度易受系统摩擦影响；振动测试法中的模态法(MM)需要精确识别刚体模态振型，惯性约束法(IRM)需已知结构质量，而直接物理参数识别法(DPPIM)对噪声和弹性模态敏感。现有测试设备虽能有效评估汽车等小型结构的惯性参数，但测试过程需分别进行静态和动态测试，且需采用物理手段降低摩擦，流程复杂。更为关键的是，针对铁路车辆车体这类大型结构，现有方法难以准确识别全部惯性参数，尤其是质心高度和侧滚转动惯量等参数误差较大，导致仿真与实际情况存在偏差。因此，开发一种能够适应大型结构特点、测试流程简化且精度高的惯性参数测试方法具有重要工程意义。

本研究主要依托双并联六自由度(6-DOF)试验台，采用变频加载技术替代传统静态与动态分离的测试模式，通过力矩差分法处理数据以简化计算流程，并创新性地引入信号重构技术从受摩擦干扰的测量信号中还原真实惯性载荷。虚拟测试通过SIMPACK多体动力学软件建立试验台机械系统虚拟样机，并集成柔性车体模型进行验证；现场测试则针对铁路车辆白车体（未安装设备的车体骨架）实施，以理论值为参考验证方法的有效性。

物理模型

测试台采用双并联六自由度结构，由前后两个对称布置的子系统构成。每个子系统包含下部基座、上部运动平台和液压系统三部分。为提高垂直承载能力，安装了三个严格垂直的作动器（Hc3, Hc4, Hc6 或 Hc1, Hc2, Hc5）。通过建立包含惯性参数矩阵、刚度矩阵和阻尼矩阵的系统动力学方程，推导出基于力矩差分的信号计算方法，为参数识别提供理论依据。

虚拟模型构建

为验证测试方法，利用SIMPACK软件建立了试验台机械系统的虚拟样机，并进行了虚拟测试。各部件几何构型通过三维模型导入，确保虚拟样机与实际结构的惯性特性一致。作动器模型分为上连接点、作动器筒体和活塞杆三部分，并通过力元模拟液压缸的刚度与阻尼特性。虚拟模型中还集成了考虑弹性变形的柔性车体模型，以模拟其低阶弹性模态对测试的潜在影响。

虚拟测试

将铁路车辆车体的柔性体模型集成到虚拟试验台中，验证测试方法与计算流程。根据推导的信号计算方法，通过变频率正弦激励加载，成功识别出车体的质量、质心水平坐标、转动惯量和惯性积等主要参数。虚拟测试结果表明，识别出的惯性参数与理论值之间的相对误差均低于5%，证明了所提方法与计算流程的有效性。针对系统摩擦的影响，提出了信号重构技术，通过补偿摩擦干扰，显著提升了惯性负载信号的还原精度。

现场测试

对铁路车辆白车体进行了现场测试。白车体由标准铝型材焊接而成，其三维模型提供了惯性参数的理论参考值。测试过程中，采用双并联六自由度试验台施加变频率激励，并利用安装在车体底板中心的惯性测量单元(IMU)捕获其运动姿态。测试结果表明，识别出的惯性参数（质量、质心坐标、转动惯量等）与理论值之间的相对误差均控制在5%以内，进一步验证了该方法在实际工程应用中的可行性与准确性。

结论与讨论

本研究集成理论推导、虚拟测试与现场测试，提出了一种用于大型结构惯性参数识别的有效方法。主要结论包括：1）研发的双并联六自由度试验台及其配套信号计算方法，适用于大型结构惯性参数测量；2）提出的变频加载测试方法，克服了传统方法需分步进行静态与动态测试的局限，简化了流程；3）基于力矩差分的信号处理方法和信号重构技术，有效降低了系统摩擦对测试精度的影响，提高了参数识别准确性。虚拟与现场测试均证实了该方法能将主要惯性参数的相对误差控制在5%以下。该研究为铁路车辆车体等大型结构的惯性参数高精度测试提供了全面有效的解决方案，对提升车辆系统动力学仿真精度、优化设计及保障运行安全具有重要意义。未来工作可进一步探索该方法在更复杂大型结构中的应用及对更高阶惯性参数的识别能力。