CN105224763B - 一种列车的隧道附加空气阻力迭代学习辨识方法 - Google Patents
一种列车的隧道附加空气阻力迭代学习辨识方法 Download PDFInfo
- Publication number
- CN105224763B CN105224763B CN201510685059.3A CN201510685059A CN105224763B CN 105224763 B CN105224763 B CN 105224763B CN 201510685059 A CN201510685059 A CN 201510685059A CN 105224763 B CN105224763 B CN 105224763B
- Authority
- CN
- China
- Prior art keywords
- train
- mrow
- msub
- tunnel
- air resistance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000000654 additive Substances 0.000 title claims abstract description 61
- 230000000996 additive effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000001133 acceleration Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000003137 locomotive effect Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 15
- 238000011160 research Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 101100168606 Caenorhabditis elegans crh-2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种列车的隧道附加空气阻力迭代学习辨识方法，包括如下步骤：S1、对系统进行初始化：确定列车第1次运行的隧道附加空气阻力辨识值的取值及被辨识列车系统的动力学结构；S2、获取列车在有限时间区间每次运行的数据，列车运行数据包括列车速度、加速度、列车手柄位，并通过列车速度和手柄位得到列车的实际牵引力；S3、利用被辨识列车系统的动力学结构，结合列车运行数据计算列车加速度估计值，进而得出辨识误差并判断辨识误差是否达到辨识精度；S4、根据辨识误差，使用迭代学习辨识算法对被辨识列车系统中的隧道附加空气阻力进行迭代辨识。本发明计算精度高，计算量小，降低了获取列车的隧道附加空气阻力的成本。
Description
技术领域
本发明涉及列车运行控制技术领域。更具体地，涉及一种列车的隧道附加空气阻力迭代学习辨识方法。
背景技术
铁路运输行业具有速度快、运力大、安全性高及节能环保等优点，一直为社会与经济的发展提供着强有力的保障。随着我国铁路的跨越式发展、路网规模在变大、铁路科技水平在提高。我国的“四横四纵”高速铁路网在西部山区大力建设，因此大长隧道是不可避免的。
列车，尤其是高速列车在隧道内运行时，空气受到隧道的束缚而不能够扩散使得列车前面的空气压强特别大，尾部空气压强特别小，进而形成非常大的压差阻力；并且列车表面与空气产生摩擦形成摩擦阻力，因此列车在隧道中运行时受到的空气阻力要比在明线上受到的空气阻力大的多。精确的隧道附加空气阻力对于列车的安全、精确、舒适运行起着至关重要的作用，因此列车在隧道中受到的空气阻力受到越来越多的关注，引起了学者与工程师们的广泛关注。
当今对列车受到的隧道附加空气阻力的研究主要有数值计算的方法和实验的方法。
一、数值计算的方法分为以下2种：
(1)基于理论模型的研究：从空气动力学原理出发，按照非恒定流计算推导出列车从驶入到驶出隧道过程中的空气阻力表达式，并借助计算机技术利用数值求解的方法求出隧道空气阻力的大小。
(2)数值软件模拟方法研究：采用二维、三维数值模拟计算方法研究隧道空气动力学问题，借助计算机技术及数值计算方法，通过大型计算软件进行仿真。
基于理论模型的研究中有很多模型近似和模型逼近的过程，因此最后得到的模型是简化的模型，不能够精确的描述列车穿过隧道的过程；数值软件模拟的方法存在计算量巨大这一问题。无论是理论模拟的研究还是数值软件模拟的研究，计算前有很多参数需要设置，不恰当的参数设置会明显的影响计算结果甚至导致计算发散。
二、试验的方法分2种：
(1)动模型模拟实验：该实验常用的方法包括发射式列车模型法、小型列车模型法及水槽法。如法国Saint-cyr航空力学研究所建立了一座能够容纳1:20缩小比例列车模型专用的长大风洞；
(2)现车试验：现车实验是研究空气动力学最直接的手段，它可以为基于模型实验及理论方法的正确性进行检验。欧洲铁路联盟对现车进行了实验，研究了列车通过隧道时诱发的隧道压力瞬变和速度变化等。在2005年，铁道部在遂渝线提速(200km/h)综合实验中进行了我国第一次高速铁路隧道空气动力学在线实车实验。
基于动模型的实验模拟速度不是特别高，并且模型一旦发射到隧道当中其速度会明显下降，不能够真实模拟列车在隧道中运行过程。基于现车实验的方法能够检验其他研究方法，是一种标准，然而该方法需要的实验费用高并且需真实的隧道及实验专用列车。
因此，充分利用列车重复运行的数据以获得列车隧道附加空气阻力具有重要的发明意义。
发明内容
本发明的目的在于利用列车重复运行的数据(列车速度、加速度、列车手柄位)，使用迭代学习辨识的方法获得列车在隧道中受到的附加空气阻力。
为达到上述目的，本发明采用下述技术方案：
一种列车的隧道附加空气阻力迭代学习辨识方法，该方法包括如下步骤：
S1、对系统进行初始化：确定列车第1次运行的隧道附加空气阻力辨识值的取值及被辨识列车系统的动力学结构，令k＝1；
S2、获取列车第k次运行的数据，列车运行数据包括列车速度、加速度、列车手柄位信息，并通过列车速度和手柄位得到列车的实际牵引力；
S3、利用被辨识列车系统的动力学结构，结合列车运行数据计算列车加速度估计值得出辨识误差并判断辨识误差是否达到辨识精度；
S4、使用迭代学习辨识算法对列车受到的隧道附加空气阻力进行迭代辨识。
优选地，步骤S1进一步包括如下子步骤：
S1.1、给出列车第1次运行的隧道附加空气阻力辨识值的取值，令k＝1；
S1.2、获得被辨识列车系统的动力学结构，
列车运行动力学模型为：
公式中，为列车t时刻的单位质量加速度，u(t)为列车t时刻的单位质量牵引力，v(t)为列车t时刻的速度，g(t)为列车t时刻的单位质量隧道附加空气阻力，a、b、c分别为基本阻力系数；
将列车的运行次数k引入到被辨识列车系统的动力学结构中，则带有运行指标的被辨识列车系统为：
优选地，步骤S2中通过列车速度和手柄位得到列车的实际牵引力的计算公式为：
公式中，uk(t)为列车第k次运行t时刻的实际牵引力，t∈[0,T]代表列车在有限时间区间运行，ug(vk(t))为列车在实际速度vk(t)下的固有牵引力，ug(·)可通过机车牵引特性曲线得到；umax为列车调速手柄目标位对应的最大牵引力；vm为列车调速手柄目标位对应的速度。
优选地，步骤S3进一步包括如下子步骤：
S3.1、将列车第k次运行的隧道附加空气阻力辨识值代入到被辨识列车系统，T表示列车运行结束时间，系统中vk(t)为第k次获取的列车实际速度，uk(t)取列车第k次运行的实际牵引力，得到列车第k次运行的加速度估计
S3.2、计算辨识误差，第k次辨识误差定义为
S3.3、判断辨识误差ek(t)是否达到辨识精度：
如果辨识误差ek(t)满足设定的阈值ε，即则将列车第k次运行的隧道附加空气阻力估计值作为真实的列车隧道附加空气阻力，流程结束；
如果辨识误差ek(t)不满足设定的阈值ε，则转入步骤S4。
优选地，步骤S4进一步包括如下子步骤：
S4.1、使用迭代学习辨识算法辨识列车第k+1次运行的隧道附加空气阻力其迭代学习辨识算法为：
其中t∈[0,T],k＝1,2,…,N＝1,2,…,k-1
公式中，ek(≤t)表示所有小于t时刻的误差，ek-1(·)表示所有时刻的误差，p为辨识增益，h(·)为线性或非线性函数，辨识算法使用列车前N次运行所有时刻的误差以及本次运行t时刻之前所有误差；
S4.2、令k＝k+1，转入步骤S2。
优选地，所述列车第1次运行的隧道附加空气阻力辨识值的取值范围为：1kN至2kN。
优选地，所述阈值ε的取值范围为：0.01至0.05m/s2。
优选地，所述辨识增益p的取值范围为：1150至1300。
本发明的有益效果如下：
本发明所述技术方案能够充分利用车载记录仪记录的列车重复运行数据(列车速度、加速度、列车手柄位信息)，通过迭代学习辨识方法获得列车通过隧道过程受到的隧道附加空气阻力。无需做额外的实验，仅使用列车重复运行数据，克服了原有对隧道附加空气阻力研究方法的不足。本发明所述技术方案可以被广泛用于当今的高速列车系统，给列车的牵引运行控制提供技术支持以保证高速列车的安全、准时、舒适及高效等。本发明所述技术方案结构简单，精度高，计算量小，大大降低了获取列车隧道附加空气阻力的成本，可得到广泛的应用。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出列车的隧道附加空气阻力迭代学习辨识方法流程图。
图2示出迭代学习辨识算法流程图。
图3示出辨识出的列车隧道附加空气阻力。
图4示出迭代误差在迭代轴上的收敛效果图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本实施例提供的列车的隧道附加空气阻力迭代辨识方法，包括如下步骤：
S1、对系统进行初始化：确定列车第1次运行的隧道附加空气阻力辨识值的取值及被辨识列车系统的动力学结构，令k＝1；
S2、获取列车第k次运行的数据，列车运行数据包括列车速度、加速度、列车手柄位信息，并通过列车速度和手柄位得到列车的实际牵引力；
S3、利用被辨识列车系统的动力学结构，结合列车运行数据计算列车加速度估计值得出辨识误差并判断辨识误差是否达到辨识精度；
S4、使用迭代学习辨识算法对列车受到的隧道附加空气阻力进行迭代辨识；
其中
步骤S1包括如下子步骤：
S1.1、设定列车第1次运行的隧道附加空气阻力辨识初值经实验证明，的取值范围在1kN至2kN之间可保证计算结果的精准度；
S1.2、获得被辨识列车系统的动力学结构，
列车运行动力学结构为：
公式中，为列车t时刻的单位质量加速度，u(t)为列车t时刻的单位质量牵引力，v(t)为列车t时刻的速度，g(t)为列车t时刻的单位质量隧道附加空气阻力，a、b、c分别为基本阻力系数。
将列车的运行次数k引入到被辨识列车系统的动力学结构中，则带有运行指标的被辨识列车系统为：
步骤S2中，列车第k次运行的实际速度vk(t)、实际加速度和调速手柄位信息是直接通过车载设备获取。列车测量速度的原理为：列车装有两类测速设备，其中一类是雷达速度传感器，它通过无线的方式与卫星通信，计算出列车的实时速度。另一类是在列车车轮上安装车轮速度传感器，测速原理就是计算车轮转过的圈数，得出列车的运行速度。列车测量加速度的原理为：在列车的车载控制器机柜的底部安装有数字加速度计和模拟加速度计，形成冗余，用于调高系统的有效性和可靠性。模拟加速度计的工作原理为：前端感应器件感测加速度的大小，加速度的大小由感应电信号器件转化为可识别的电信号，这个信号为模拟信号；在模拟加速度计上集成模数转换器，将模拟信号数字化，以补码的形式输出，即可成为数字加速度计。
根据列车第k次运行的实际速度vk(t),t∈[0,T]计算列车第k次运行的实际牵引力uk(t),t∈[0,T]的方法为：
列车的牵引力是由牵引电机提供，因此列车的牵引力与机车的牵引特性曲线有关，列车速度越低牵引力越大。列车的实际牵引力与列车最大牵引力、列车固有牵引力、固定的列车调速手柄目标位及列车的实际速度有关。
(1)当列车的速度小于列车调速手柄目标位对应的速度时：在列车起步的阶段，列车固有牵引力大于列车调速手柄目标位对应的最大牵引力，列车实际的牵引力等于列车调速手柄目标位对应的最大牵引力；列车达到一定速度后，受列车牵引功率的限制，列车固有牵引力小于列车调速手柄目标位对应的最大牵引力，列车实际的牵引力为列车在当前速度下的固有牵引力；
(2)当列车速度大于等于列车调速手柄目标位对应的速度时：列车实际的牵引力变成零；
列车实际牵引力uk(t)可由以下公式计算：
公式中，uk(t)为列车第k次运行的实际牵引力；ug(vk(t))为列车在实际速度vk(t),t∈[0,T]下的固有牵引力，ug(·)可通过机车牵引特性曲线得到；umax为列车调速手柄目标位对应的最大牵引力；vm为列车调速手柄目标位对应的速度。
因此通过记录列车调速手柄目标位及列车的实时速度，就能够通过机车牵引特性曲线计算得到机车实际的牵引力uk(t)。
步骤S3包括如下子步骤：
S3.1、将列车第k次运行的隧道附加空气阻力辨识值代入到被辨识列车系统的动力学结构，vk(t)取第k次获得的列车实际速度，uk(t)取第k运行列车的实际牵引力，得到列车第k次运行的加速度估计值
S3.2、计算辨识误差ek(t)，第k次辨识误差定义为
S3.3、判断辨识误差ek(t)是否达到辨识精度。
如辨识误差ek(t)满足设定的阈值ε，即则将列车第k次运行的隧道附加空气阻力估计值作为真实的列车隧道附加空气阻力，即完成迭代学习辨识；经实验证明，阈值ε的取值范围在0.01至0.05m/s2之间可保证计算结果的精准度且同时保证计算效率；
如辨识误差不满足设定的阈值ε，转入S4；
如图2所示，步骤S4包括如下子步骤
S4.1、使用迭代学习辨识算法辨识列车第k+1次运行的隧道附加空气阻力其迭代学习辨识算法为：
其中t∈[0,T],k＝1,2,…,N＝1,2,…,k-1
公式中p为辨识增益，p可为常值也可为时变的，经实验证明，辨识增益p的取值范围在1150至1300之间可保证计算收敛性和效率，辨识增益p取值为1211时计算收敛性和效率最佳；
此公式中的h(ek(≤t),ek-1(·),…,ek-N(·))表示一个函数，函数的自变量为ek(≤t)，ek-1(·)，ek-2(·)，…，e2(·)，e1(·)。
ek(≤t)表示：误差可以为[0,t]这个时间段的值
ek-1(·)表示：误差可以为[0,T]这个时间段的值
举例说明：在[0,T]时间段内，一共有5个采样点，则t＝{0,t1,t2,t3,t4,T}，公式为
其中h可为
h(e4(≤t3),e3(·),…,e1(·))
＝本次运行t3时刻之前的误差{e4(t3)+e4(t2)+e4(t1)+e4(0)
前3次所有时刻的误差
因此在本实施例中使用了列车前N次运行的所有时刻的误差及本次运行t时刻之前的误差。
S4.2、令k＝k+1，转入S2；
给定第1次隧道附加空气阻力估计初值当辨识增益p的取值范围在1150至1300之间时，随着辨识次数的增加，待辨识的隧道附加空气阻力辨识值接近真实的隧道附加空气阻力，即可将隧道附加空气阻力辨识值作为实际隧道附加空气阻力。
下面代入具体的仿真环境对本实施例提供的一种列车的隧道附加空气阻力迭代辨识方法作进一步说明。
仿真过程将由两部分组成：第一部分是对列车穿过隧道过程的相关参数进行描述，包括列车参数和隧道参数，得到列车各次运行的数据(列车速度vk(t)，列车加速度列车手柄位信息)；第二部分则使用本发明提出的迭代学习辨识算法辨识列车受到的隧道附加空气阻力。
第一部分：
CRH-2型高速动车组列车穿过单线隧道，列车以及隧道的相关参数如表2所示，
表2
列车重复运行100次，即可以获得列车100次运行的数据uk(t),vk(t),t∈[0,T],k＝1,2,…,100。列车在隧道中的运行时间为13.8秒，即迭代学习有限时间区间为t∈[0,T],T＝13.8s。
第二部分：
k＝1时隧道附加空气阻力的值设定为：
辨识增益的选取：辨识增益决定着迭代辨识算法是否收敛，本仿真当中增益p选择为p＝1211。
本次仿真使用的迭代学习辨识算法为：
实施例效果：图3中的实线是真实隧道附加空气阻力，其余三条分别为第1次，第50次和第100次迭代的隧道附加空气阻力的辨识结果。从图3可以看出，第100次的辨识结果十分接近真实的数据。
图4为隧道附加空气阻力误差在迭代轴上的收敛效果，从图4能够看出误差沿迭代方向是单调收敛的。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种列车的隧道附加空气阻力迭代学习辨识方法，其特征在于，该方法包括如下步骤：
S1、对系统进行初始化：确定列车第1次运行的隧道附加空气阻力辨识值的取值及被辨识列车系统的动力学结构，令k＝1；
S2、获取列车第k次运行的数据，列车运行数据包括列车速度、加速度、列车手柄位信息，并通过列车速度和手柄位得到列车的实际牵引力；
S3、利用被辨识列车系统的动力学结构，结合列车运行数据计算列车加速度估计值得出辨识误差并判断辨识误差是否达到辨识精度；
S4、使用迭代学习辨识算法对列车受到的隧道附加空气阻力进行迭代辨识；
其中，步骤S1进一步包括如下子步骤：
S1.1、给出列车第1次运行的隧道附加空气阻力辨识值的取值，令k＝1；
S1.2、获得被辨识列车系统的动力学结构，
列车运行动力学模型为：
<mrow>
<mover>
<mi>v</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>a</mi>
<mo>-</mo>
<mi>b</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>cv</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
公式中，为列车t时刻的单位质量加速度，u(t)为列车t时刻的单位质量牵引力，v(t)为列车t时刻的速度，g(t)为列车t时刻的单位质量隧道附加空气阻力，a、b、c分别为基本阻力系数；
将列车的运行次数k引入到被辨识列车系统的动力学结构中，则带有运行指标的被辨识列车系统为：
<mrow>
<msub>
<mover>
<mover>
<mi>v</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>a</mi>
<mo>-</mo>
<msub>
<mi>bv</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>cv</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>g</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的列车的隧道附加空气阻力迭代学习辨识方法，其特征在于，步骤S2中通过列车速度和手柄位得到列车的实际牵引力的计算公式为：
<mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<msub>
<mi>u</mi>
<mi>g</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>v</mi>
<mi>m</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>v</mi>
<mi>m</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>T</mi>
<mo>&rsqb;</mo>
</mrow>
公式中，uk(t)为列车第k次运行t时刻的实际牵引力，t∈[0,T]代表列车在有限时间区间运行，ug(vk(t))为列车在实际速度vk(t)下的固有牵引力，ug(·)可通过机车牵引特性曲线得到；umax为列车调速手柄目标位对应的最大牵引力；vm为列车调速手柄目标位对应的速度。
3.根据权利要求1所述的列车的隧道附加空气阻力迭代学习辨识方法，其特征在于，步骤S3进一步包括如下子步骤：
S3.1、将列车第k次运行的隧道附加空气阻力辨识值t∈[0,T]代入到被辨识列车系统，T表示列车运行结束时间，系统中vk(t)为第k次获取的列车实际速度，uk(t)取列车第k次运行的实际牵引力，得到列车第k次运行的加速度估计
S3.2、计算辨识误差，第k次辨识误差定义为
S3.3、判断辨识误差ek(t)是否达到辨识精度：
如果辨识误差ek(t)满足设定的阈值ε，即则将列车第k次运行的隧道附加空气阻力估计值作为真实的列车隧道附加空气阻力，流程结束；
如果辨识误差ek(t)不满足设定的阈值ε，则转入步骤S4。
4.根据权利要求1所述的列车的隧道附加空气阻力迭代学习辨识方法，其特征在于，步骤S4进一步包括如下子步骤：
S4.1、使用迭代学习辨识算法辨识列车第k+1次运行的隧道附加空气阻力其迭代学习辨识算法为：
<mrow>
<msub>
<mover>
<mi>g</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>g</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>p</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mrow>
<mo>&le;</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mi>N</mi>
</mrow>
</msub>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中t∈[0,T],k＝1,2,…,N＝1,2,…,k-1
公式中，ek(≤t)表示所有小于t时刻的误差，ek-1(·)表示列车第k-1次运行的所有时刻的误差，ek-N(·)表示列车第k-N次运行的所有时刻的误差，p为辨识增益，h(·)为线性或非线性函数，辨识算法使用列车前N次运行所有时刻的误差以及本次运行t时刻之前所有误差；
S4.2、令k＝k+1，转入步骤S2。
5.根据权利要求1所述的列车的隧道附加空气阻力迭代学习辨识方法，其特征在于，所述列车第1次运行的隧道附加空气阻力辨识值的取值范围为：1kN至2kN。
6.根据权利要求3所述的列车的隧道附加空气阻力迭代学习辨识方法，其特征在于，所述阈值ε的取值范围为：0.01m/s2至0.05m/s2。
7.根据权利要求4所述的列车的隧道附加空气阻力迭代学习辨识方法，其特征在于，所述辨识增益p的取值范围为：1150至1300。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510685059.3A CN105224763B (zh) | 2015-10-20 | 2015-10-20 | 一种列车的隧道附加空气阻力迭代学习辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510685059.3A CN105224763B (zh) | 2015-10-20 | 2015-10-20 | 一种列车的隧道附加空气阻力迭代学习辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105224763A CN105224763A (zh) | 2016-01-06 |
| CN105224763B true CN105224763B (zh) | 2018-02-02 |
Family
ID=54993729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510685059.3A Expired - Fee Related CN105224763B (zh) | 2015-10-20 | 2015-10-20 | 一种列车的隧道附加空气阻力迭代学习辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105224763B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529023B (zh) * | 2016-11-09 | 2019-06-18 | 南京工程学院 | 一种基于迭代学习的地铁列车自动运行速度控制方法 |
| CN107679265B (zh) * | 2017-08-22 | 2020-06-23 | 西安理工大学 | 一种列车紧急制动建模及模型辨识方法 |
| CN109829577B (zh) * | 2019-01-17 | 2021-10-01 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
| CN110321587B (zh) * | 2019-05-10 | 2023-06-02 | 中车青岛四方车辆研究所有限公司 | 基于数值模拟的轨道车辆隧道空气附加阻力计算方法 |
| CN110371163B (zh) * | 2019-07-24 | 2020-08-21 | 北京航空航天大学 | 考虑全路段环境及人为因素的列车自动驾驶预测控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004198317A (ja) * | 2002-12-19 | 2004-07-15 | Railway Technical Res Inst | 風洞試験装置 |
| CN102628732A (zh) * | 2012-04-12 | 2012-08-08 | 中国铁道科学研究院机车车辆研究所 | 一种列车空气阻力测量的方法和装置 |
| CN103207058A (zh) * | 2013-04-17 | 2013-07-17 | 中南大学 | 一种高速列车空气阻力系数的动模型测量方法及其应用 |
-
2015
- 2015-10-20 CN CN201510685059.3A patent/CN105224763B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004198317A (ja) * | 2002-12-19 | 2004-07-15 | Railway Technical Res Inst | 風洞試験装置 |
| CN102628732A (zh) * | 2012-04-12 | 2012-08-08 | 中国铁道科学研究院机车车辆研究所 | 一种列车空气阻力测量的方法和装置 |
| CN103207058A (zh) * | 2013-04-17 | 2013-07-17 | 中南大学 | 一种高速列车空气阻力系数的动模型测量方法及其应用 |
Non-Patent Citations (1)
| Title |
|---|
| Iterative learning identification of aerodynamic drag curve from tracking radar measurements;yangquan chen等;《control engineering practice》;19971231;第5卷(第11期);第1543-1553页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105224763A (zh) | 2016-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105224763B (zh) | 一种列车的隧道附加空气阻力迭代学习辨识方法 | |
| CN106444421B (zh) | 城市轨道交通车载牵引制动控制器系统及其工作方法 | |
| CN103512426B (zh) | 一种次优的带末角约束制导方法 | |
| CN104598753B (zh) | 一种基于Brakhage v方法的桥梁移动车辆荷载识别方法 | |
| CN110348061A (zh) | 一种高速受电弓的双向流固耦合三维数值模拟方法 | |
| CN103592091A (zh) | 飞行器舵面的颤振地面模拟测试系统和方法 | |
| CN102087332A (zh) | 一种基于波速寻优的直流行波故障测距方法 | |
| CN104102776B (zh) | 一种城市轨道交通列车的模型自动辨识方法 | |
| Carbonne et al. | Use of full coupling of aerodynamics and vehicle dynamics for numerical simulation of the crosswind stability of ground vehicles | |
| CN107679265A (zh) | 一种列车紧急制动建模及模型辨识方法 | |
| CN102880056B (zh) | 基于等价模型的高超声速飞行器离散滑模控制方法 | |
| CN105512427B (zh) | 考虑弓网再接触动量冲击的高速铁路弓网动力学仿真方法 | |
| CN103400035A (zh) | 一种高可信度快速预测飞行器滚转动导数的方法 | |
| Dai et al. | Numerical study on aerodynamic performance of high-speed pantograph with double strips | |
| CN104408265B (zh) | 车辆行驶状态和轮胎魔术公式参数联合估计的方法 | |
| Andriaminahy et al. | Comparative study of vehicle aerodynamic and rolling resistance coefficients estimation methods | |
| CN106777809B (zh) | 一种基于实际运行数据的机车牵引计算模型校准方法 | |
| CN111191383B (zh) | 一种仿真轨迹生成的方法、装置、存储介质及电子设备 | |
| CN105956214B (zh) | 一种高速列车虚拟限界计算方法 | |
| CN103730037B (zh) | 实现机车万吨无线重联列车同步操控的仿真系统及方法 | |
| CN110135097B (zh) | 一种确定铁路隧道坡度折减系数的方法 | |
| CN105447302A (zh) | 一种动车组气动力估算方法 | |
| CN103150450B (zh) | 轨道交通车辆动力学实时模型的搭建方法 | |
| CN109241568A (zh) | 一种基于数据拟合的流场受力分析方法 | |
| CN103158718A (zh) | 基于油门踏板位置和车速的道路纵向坡度检测装置及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180202 |