CN106394539B - 一种高速列车制动系统关键部件的状态监测方法和装置 - Google Patents
一种高速列车制动系统关键部件的状态监测方法和装置 Download PDFInfo
- Publication number
- CN106394539B CN106394539B CN201610896235.2A CN201610896235A CN106394539B CN 106394539 B CN106394539 B CN 106394539B CN 201610896235 A CN201610896235 A CN 201610896235A CN 106394539 B CN106394539 B CN 106394539B
- Authority
- CN
- China
- Prior art keywords
- state
- braking system
- moment
- critical component
- speed train
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims description 20
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000002596 correlated effect Effects 0.000 claims abstract description 7
- 239000000306 component Substances 0.000 claims description 110
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 8
- 239000008358 core component Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 description 54
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
- B60T17/228—Devices for monitoring or checking brake systems; Signal devices for railway vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种方法和装置,包括:建立高速列车制动系统关键部件的离散时间状态空间模型;确定所述高速列车制动系统关键部件的当前控制输入数据和当前测量输出数据;根据所述高速列车制动系统关键部件的离散时间状态空间模型、当前控制输入数据以及当前测量输出数据,确定所述高速列车制动系统关键部件的状态估计器;利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计,并确定状态估计相关误差。因此,采用本发明可以不依赖高速列车制动系统关键部件模型的精度,在存在随机模型不确定性的情况下仍能估计出高速列车制动系统关键部件的工作状态。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种高速列车制动系统关键部件的状态监测方法和装置。
背景技术
制动系统是高速列车信息控制系统中的重要子系统,它主要由空气供给系统,制动控制系统及基础制动系统三大部分组成。高速列车制动系统中的关键部件,如空气压缩机、电磁阀、供风管以及压力传感器等,其能否稳定可靠工作既关系到行车安全,又限制着车速提高。
因此,亟需对高速列车制动系统关键部件进行实时在线的状态监测,保障高速列车制动系统的安全可靠运行。现有高速列车制动系统关键部件的状态监测方法的性能严重依赖部件模型的精度。但是,高速列车制动系统关键部件的实际运行环境极其复杂多变,随机模型不确定性相对较大。因此,为了满足实际应用的需要,高速列车制动系统关键部件状态监测方法需要在存在随机模型不确定性的情况下仍能估计出部件的工作状态。
现有技术的不足在于:在实际应用过程中,高速列车制动系统关键部件运行状态在线监测时会出现随机模型不确定性较强等情况,现有的状态监测方法的性能严重依赖部件模型的精度,已经不能满足实际应用的需求。
发明内容
本发明所要解决的技术问题是在实际应用过程中,高速列车制动系统关键部件运行状态在线监测时会出现随机模型不确定性较强等情况,现有的状态监测方法的性能严重依赖部件模型的精度,已经不能满足实际应用的需求。
为了解决上述技术问题,本发明提供了一种高速列车制动系统关键部件的状态监测方法,包括:
建立高速列车制动系统关键部件的离散时间状态空间模型;
确定所述高速列车制动系统关键部件的当前控制输入数据和当前测量输出数据;
根据所述高速列车制动系统关键部件的离散时间状态空间模型、当前控制输入数据以及当前测量输出数据,确定所述高速列车制动系统关键部件的状态估计器;
利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计,并确定状态估计相关误差。
在一个实施例中,所述建立高速列车制动系统关键部件的离散时间状态空间模型,具体包括:
根据所述高速列车制动系统关键部件的物理结构建立该高速列车制动系统关键部件的机理模型;
利用系统辨识技术辨识所述机理模型的模型参数;
根据采样时间对所述机理模型的模型参数进行离散化,得到高速列车制动系统关键部件的离散时间状态空间模型。
在一个实施例中,所述高速列车制动系统关键部件的离散时间状态空间模型是采用表达式一和表达式二表示的,
表达式一:x(k+1)=(Ac(k)+Aδ(k))x(k)+(Bc(k)+Bδ(k))u(k)+w(k),
表达式二:y(k)=(Cc(k)+Cδ(k))x(k)+v(k),
其中,x(k)表示k时刻的状态变量,x(k+1)表示k+1时刻的状态变量,u(k)表示k时刻的控制输入数据,y(k)表示k时刻的测量输出数据,w(k)表示过程噪声信号,v(k)表示k时刻的测量噪声信号,Ac(k)表示第一中心参数矩阵,Bc(k)表示第二中心参数矩阵,Cc(k)表示第三中心参数矩阵,Aδ(k)表示第一模型不确定性,Bδ(k)表示第二模型不确定性,Cδ(k)表示第三模型不确定性。
在一个实施例中,w(k)和v(k)的均值为0,Aδ(k)、Bδ(k)及Cδ(k)的均值为0。
在一个实施例中,所述高速列车制动系统关键部件的状态估计器的增益是根据所述离散时间状态空间模型和所述当前控制输入数据确定的。
在一个实施例中,所述根据所述离散时间状态空间模型和所述当前控制输入数据确定所述高速列车制动系统关键部件的状态估计器的增益,具体包括:
确定Ac(k)、Bc(k)、Cc(k);
确定其中,表示Aδ(k)的协方差矩阵,表示Bδ(k)的协方差矩阵,表示Cδ(k)的协方差矩阵;
确定Σw(k)、Σv(k),其中,Σw(k)表示w(k)的协方差矩阵,Σv(k)表示v(k)的协方差矩阵;
确定估计初值、所述高速列车制动系统关键部件的状态均值以及所述高速列车制动系统关键部件的状态二阶矩;
根据所述Ac(k)、Bc(k)、Cc(k),所述所述Σw(k)、Σv(k),所述估计初值、所述高速列车制动系统关键部件的状态均值以及所述高速列车制动系统关键部件的状态二阶矩,确定所述高速列车制动系统关键部件的状态估计器的增益。
在一个实施例中,所述估计初值是通过下述表达式三、表达式四及表达式五中的任一表达式或者其组合确定的,
所述估计初值是通过下述表达式三、表达式四及表达式五中的任一表达式或者其组合确定的,
表达式三:
其中,表示初始状态变量的平均值,表示常数;
表达式四:Σx(0)=Σ0,
其中,Σx(0)表示初始状态变量的二阶矩,Σ0表示常数;
表达式五:P(0)=P0,
其中,P(0)表示初始状态变量的协方差,P0表示常数;
所述高速列车制动系统关键部件的状态均值是通过下述表达式六确定的,
表达式六:
其中,表示k时刻的状态变量的平均值,Ac(k-1)表示k-1时刻的第一中心参数矩阵,表示k-1时刻的状态变量的平均值,Bc(k-1)表示k-1时刻的第二中心参数矩阵,u(k-1)表示k-1时刻的控制输入信号;
所述高速列车制动系统关键部件的状态二阶矩是通过下述表达式七确定的,
表达式七:
其中,Σx(k)表示k时刻的状态变量的二阶矩,Σx(k-1)表示k-1时刻的状态变量的二阶矩,表示Aδ(k-1)与x(k-1)乘积的二阶矩,Aδ(k-1)表示k-1时刻的第一模型不确定性,x(k-1)表示k-1时刻的状态变量,Σu(k-1)表示u(k-1)的二阶矩,表示Bδ(k-1)与u(k-1)乘积的二阶矩,Bδ(k-1)表示k-1时刻的第二模型不确定性,Σw(k-1)表示w(k-1)的协方差矩阵,w(k-1)表示k-1时刻的过程噪声信号。
在一个实施例中,所述利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计的状态估计值是通过表达式八确定的,
表达式八:
其中,表示k时刻的状态变量的估计值,表示k-1时刻的状态变量的估计值,K(k)表示k时刻的状态估计器的增益,r(k)表示k时刻的滤波新息, 表示初始时刻的状态变量的估计值;
r(k)是通过表达式九确定的,
表达式九:
所述状态估计相关误差为状态估计误差协方差;
所述状态估计误差协方差是通过表达式十确定的,
表达式十:
其中,P(k)表示k时刻的状态估计误差协方差, 表示k时刻的状态估计误差,表示nx维单位矩阵,G(k)表示k时刻的一步预测误差协方差;
G(k)是通过表达式十一确定的,
表达式十一:
其中,P(k-1)表示k-1时刻的状态估计误差协方差。
根据本发明的另一方面,还提供了一种高速列车制动系统关键部件的状态监测装置,包括:
建模模块,用于建立高速列车制动系统关键部件的离散时间状态空间模型;
第一确定模块,用于确定所述高速列车制动系统关键部件的当前控制输入数据和当前测量输出数据;
第二确定模块,用于根据所述高速列车制动系统关键部件的离散时间状态空间模型、当前控制输入数据以及当前测量输出数据确定所述高速列车制动系统关键部件的状态估计器;
状态估计模块,用于利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计,并确定状态估计误差协方差。
在一个实施例中,建模模块进一步包括以下子模块:
第一子模块,用于根据所述高速列车制动系统关键部件的物理结构建立该高速列车制动系统关键部件的机理模型;
第二子模块,用于利用系统辨识技术辨识所述机理模型的模型参数;
第三子模块,用于根据当前采样时间对所述机理模型的模型参数进行离散化,得到高速列车制动系统关键部件的离散时间状态空间模型。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
本发明提供的方案
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明第一实施例的高速列车制动系统关键部件的状态监测方法的流程图;
图2是根据本发明第一实施例的建立高速列车制动系统关键部件的离散时间状态空间模型的流程图;
图3是根据本发明第一实施例的高速列车制动系统关键部件测量输出曲线图;
图4是根据本发明第一实施例的高速列车制动系统关键部件状态估计误差曲线图;
图5是根据本发明第一实施例的高速列车制动系统关键部件状态估计误差协方差迹曲线图;
图6是根据本发明第二实施例的高速列车制动系统关键部件的状态监测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图及实施例对本发明的实施方式作进一步地详细说明,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
第一实施例
图1是根据本发明第一实施例的高速列车制动系统关键部件的状态监测方法的流程图,下面参照图1,详细说明各个步骤。
步骤S110,建立高速列车制动系统关键部件的离散时间状态空间模型。
实际应用过程中,高速列车制动系统关键部件的实际运行环境极其复杂多变,随机模型不确定性相对较大。针对高速列车制动系统关键部件的模型不确定性,建立数学模型描述该高速列车制动系统关键部件。
下面具体介绍高速列车制动系统关键部件的离散时间状态空间模型的建立过程。
图2是根据本发明第一实施例的建立高速列车制动系统关键部件的离散时间状态空间模型的流程图,下面参照图2,详细说明各个步骤。
需要说明的是,只要不构成冲突,可以以不同于下述的逻辑顺序执行下面所描述的步骤。
步骤S210,根据所述高速列车制动系统关键部件的物理结构建立该高速列车制动系统关键部件的机理模型;
步骤S220,利用系统辨识技术辨识所述机理模型的模型参数;
步骤S230,根据采样时间对所述机理模型的模型参数进行离散化,得到高速列车制动系统关键部件的离散时间状态空间模型。
优选的,所述高速列车制动系统关键部件的离散时间状态空间模型是采用表达式一和表达式二表示的,
表达式一:x(k+1)=(Ac(k)+Aδ(k))x(k)+(Bc(k)+Bδ(k))u(k)+w(k),
表达式二:y(k)=(Cc(k)+Cδ(k))x(k)+v(k),
其中,x(k)表示k时刻的状态变量,x(k+1)表示k+1时刻的状态变量,u(k)表示k时刻的控制输入数据,y(k)表示k时刻的测量输出数据,w(k)表示过程噪声信号,v(k)表示k时刻的测量噪声信号,Ac(k)表示第一中心参数矩阵,Bc(k)表示第二中心参数矩阵,Cc(k)表示第三中心参数矩阵,Aδ(k)表示第一模型不确定性,Bδ(k)表示第二模型不确定性,Cδ(k)表示第三模型不确定性。
优选的,w(k)和v(k)的均值为0,Aδ(k)、Bδ(k)及Cδ(k)的均值为0。
步骤S120,确定所述高速列车制动系统关键部件的当前控制输入数据和当前测量输出数据。
本实施例中实时在线采集k时刻高速列车制动系统关键部件的控制输入数据u(k)和测量输出数据y(k)。
图3为根据本发明第一实施例的高速列车制动系统关键部件测量输出曲线图,如图所述,采集了4组测量输出数据y(k)。
步骤S130,根据所述高速列车制动系统关键部件的离散时间状态空间模型、当前控制输入数据以及当前测量输出数据,确定所述高速列车制动系统关键部件的状态估计器。
优选的,所述高速列车制动系统关键部件的状态估计器的增益是根据所述离散时间状态空间模型和所述当前控制输入数据确定的。
采用递推的方式计算状态估计器的增益,具体如下:
优选的,所述根据所述离散时间状态空间模型和所述当前控制输入数据确定所述高速列车制动系统关键部件的状态估计器的增益,具体包括:
确定Ac(k)、Bc(k)、Cc(k);
确定其中,表示Aδ(k)的协方差矩阵,表示Bδ(k)的协方差矩阵,表示Cδ(k)的协方差矩阵;
确定Σw(k)、Σv(k),其中,Σw(k)表示w(k)的协方差矩阵,Σv(k)表示v(k)的协方差矩阵;
确定估计初值、所述高速列车制动系统关键部件的状态均值以及所述高速列车制动系统关键部件的状态二阶矩;
根据所述Ac(k)、Bc(k)、Cc(k),所述所述Σw(k)、Σv(k),所述估计初值、所述高速列车制动系统关键部件的状态均值以及所述高速列车制动系统关键部件的状态二阶矩,确定所述高速列车制动系统关键部件的状态估计器的增益。
优选的,所述估计初值是通过下述表达式三、表达式四及表达式五中的任一表达式或者其组合确定的,
所述估计初值是通过下述表达式三、表达式四及表达式五中的任一表达式或者其组合确定的,
表达式三:
其中,表示初始状态变量的平均值,表示常数;
表达式四:Σx(0)=Σ0,
其中,Σx(0)表示初始状态变量的二阶矩,Σ0表示常数;
表达式五:P(0)=P0,
其中,P(0)表示初始状态变量的协方差,P0表示常数;
所述高速列车制动系统关键部件的状态均值是通过下述表达式六确定的,
表达式六:
其中,表示k时刻的状态变量的平均值,Ac(k-1)表示k-1时刻的第一中心参数矩阵,表示k-1时刻的状态变量的平均值,Bc(k-1)表示k-1时刻的第二中心参数矩阵,u(k-1)表示k-1时刻的控制输入信号;
所述高速列车制动系统关键部件的状态二阶矩是通过下述表达式七确定的,
表达式七:
其中,Σx(k)表示k时刻的状态变量的二阶矩,Σx(k-1)表示k-1时刻的状态变量的二阶矩,表示Aδ(k-1)与x(k-1)乘积的二阶矩,Aδ(k-1)表示k-1时刻的第一模型不确定性,x(k-1)表示k-1时刻的状态变量,Σu(k-1)表示u(k-1)的二阶矩,表示Bδ(k-1)与u(k-1)乘积的二阶矩,Bδ(k-1)表示k-1时刻的第二模型不确定性,Σw(k-1)表示w(k-1)的协方差矩阵,w(k-1)表示k-1时刻的过程噪声信号。
步骤S140,利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计,并确定状态估计相关误差。
通过递推的方式计算状态估计值,具体如下:
优选的,所述利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计的状态估计值是通过表达式八确定的,
表达式八:
其中,表示k时刻的状态变量的估计值,表示k-1时刻的状态变量的估计值,K(k)表示k时刻的状态估计器的增益,r(k)表示k时刻的滤波新息, 表示初始时刻的状态变量的估计值;
r(k)是通过表达式九确定的,
表达式九:
所述状态估计相关误差为状态估计误差协方差;
所述状态估计误差协方差是通过表达式十确定的,
表达式十:
其中,P(k)表示k时刻的状态估计误差协方差, 表示k时刻的状态估计误差,表示nx维单位矩阵,G(k)表示k时刻的一步预测误差协方差;
图4为根据本发明第一实施例的高速列车制动系统关键部件状态估计误差曲线图,如图所示,有2组状态估计误差数据图5为根据本发明第一实施例的高速列车制动系统关键部件状态估计误差协方差迹曲线图,通过这两组状态估计误差数据计算状态估计误差协方差P(k),状态估计误差协方差迹如图5所示。
G(k)是通过表达式十一确定的,
表达式十一:
其中,P(k-1)表示k-1时刻的状态估计误差协方差。
新息协方差
通过本方法可以不依赖高速列车制动系统关键部件模型的精度,在存在随机模型不确定性的情况下仍能估计出高速列车制动系统关键部件的工作状态。
综上所述,本实施例的高速列车制动系统关键部件的状态监测方法,在工程监测中具有实际的指导意义。
第二实施例
基于同一发明构思,本发明实施例中还提供了一种高速列车制动系统关键部件的状态监测装置,由于这些设备解决问题的原理与一种方法相似,因此这些设备的实施可以参见方法的实施,重复之处不再赘述。
图6为根据本发明第二实施例的高速列车制动系统关键部件的状态监测装置的结构示意图,下面根据图详细说明该系统的各组成部分。
建模模块610,用于建立高速列车制动系统关键部件的离散时间状态空间模型;
第一确定模块620,用于确定所述高速列车制动系统关键部件的当前控制输入数据和当前测量输出数据;
第二确定模块630,用于根据所述高速列车制动系统关键部件的离散时间状态空间模型、当前控制输入数据以及当前测量输出数据确定所述高速列车制动系统关键部件的状态估计器;
状态估计模块640,用于利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计,并确定状态估计误差协方差。
优选的,建模模块进一步包括以下子模块:
第一子模块,用于根据所述高速列车制动系统关键部件的物理结构建立该高速列车制动系统关键部件的机理模型;
第二子模块,用于利用系统辨识技术辨识所述机理模型的模型参数;
第三子模块,用于根据采样时间对所述机理模型的模型参数进行离散化,得到高速列车制动系统关键部件的离散时间状态空间模型。
本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选的,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍需以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种高速列车制动系统关键部件的状态监测方法,包括:
建立高速列车制动系统关键部件的离散时间状态空间模型;
确定所述高速列车制动系统关键部件的当前控制输入数据和当前测量输出数据;
根据所述高速列车制动系统关键部件的离散时间状态空间模型、当前控制输入数据以及当前测量输出数据,确定所述高速列车制动系统关键部件的状态估计器;
利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计,并确定状态估计相关误差;
其中:
所述建立高速列车制动系统关键部件的离散时间状态空间模型,具体包括:
根据所述高速列车制动系统关键部件的物理结构建立该高速列车制动系统关键部件的机理模型;
利用系统辨识技术辨识所述机理模型的模型参数;
根据采样时间对所述机理模型的模型参数进行离散化,得到高速列车制动系统关键部件的离散时间状态空间模型。
2.根据权利要求1所述的方法,其特征在于,所述高速列车制动系统关键部件的离散时间状态空间模型是采用公式一和公式二表示的,
公式一:x(k+1)=(Ac(k)+Aδ(k))x(k)+(Bc(k)+Bδ(k))u(k)+w(k),
公式二:y(k)=(Cc(k)+Cδ(k))x(k)+v(k),
其中,x(k)表示k时刻的状态变量,x(k+1)表示k+1时刻的状态变量,u(k)表示k时刻的控制输入数据,y(k)表示k时刻的测量输出数据,w(k)表示过程噪声信号,v(k)表示k时刻的测量噪声信号,Ac(k)表示第一中心参数矩阵,Bc(k)表示第二中心参数矩阵,Cc(k)表示第三中心参数矩阵,Aδ(k)表示第一模型不确定性,Bδ(k)表示第二模型不确定性,Cδ(k)表示第三模型不确定性。
3.根据权利要求2所述的方法,其特征在于,w(k)和v(k)的均值为0,Aδ(k)、Bδ(k)及Cδ(k)的均值为0。
4.根据权利要求3所述的方法,其特征在于,所述高速列车制动系统关键部件的状态估计器的增益是根据所述离散时间状态空间模型和所述当前控制输入数据确定的。
5.根据权利要求4所述的方法,其特征在于,所述根据所述离散时间状态空间模型和所述当前控制输入数据确定所述高速列车制动系统关键部件的状态估计器的增益,具体包括:
确定Ac(k)、Bc(k)、Cc(k);
确定其中,表示Aδ(k)的协方差矩阵,表示Bδ(k)的协方差矩阵,表示Cδ(k)的协方差矩阵;
确定Σw(k)、Σv(k),其中,Σw(k)表示w(k)的协方差矩阵,Σv(k)表示v(k)的协方差矩阵;
确定估计初值、所述高速列车制动系统关键部件的状态均值以及所述高速列车制动系统关键部件的状态二阶矩;
根据所述Ac(k)、Bc(k)、Cc(k),所述所述Σw(k)、Σv(k),所述估计初值、所述高速列车制动系统关键部件的状态均值以及所述高速列车制动系统关键部件的状态二阶矩,确定所述高速列车制动系统关键部件的状态估计器的增益。
6.根据权利要求5所述的方法,其特征在于:
所述估计初值是通过下述公式三、公式四及公式五中的任一公式或者其组合确定的,
公式三:
其中,表示初始状态变量的平均值,表示常数;
公式四:Σx(0)=Σ0,
其中,Σx(0)表示初始状态变量的二阶矩,Σ0表示常数;
公式五:P(0)=P0,
其中,P(0)表示初始状态变量的协方差,P0表示常数;
所述高速列车制动系统关键部件的状态均值是通过下述公式六确定的,
公式六:
其中,表示k时刻的状态变量的平均值,Ac(k-1)表示k-1时刻的第一中心参数矩阵,表示k-1时刻的状态变量的平均值,Bc(k-1)表示k-1时刻的第二中心参数矩阵,u(k-1)表示k-1时刻的控制输入信号;
所述高速列车制动系统关键部件的状态二阶矩是通过下述公式七确定的,
公式七:
其中,Σx(k)表示k时刻的状态变量的二阶矩,Σx(k-1)表示k-1时刻的状态变量的二阶矩,表示Aδ(k-1)与x(k-1)乘积的二阶矩,Aδ(k-1)表示k-1时刻的第一模型不确定性,x(k-1)表示k-1时刻的状态变量,Σu(k-1)表示u(k-1)的二阶矩,表示Bδ(k-1)与u(k-1)乘积的二阶矩,Bδ(k-1)表示k-1时刻的第二模型不确定性,Σw(k-1)表示w(k-1)的协方差矩阵,w(k-1)表示k-1时刻的过程噪声信号。
7.根据权利要求6所述的方法,其特征在于:
所述利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计的状态估计值是通过公式八确定的,
公式八:
其中,表示k时刻的状态变量的估计值,表示k-1时刻的状态变量的估计值,K(k)表示k时刻的状态估计器的增益,r(k)表示k时刻的滤波新息, 表示初始时刻的状态变量的估计值;
r(k)是通过公式九确定的,
公式九:
所述状态估计相关误差为状态估计误差协方差;
所述状态估计误差协方差是通过公式十确定的,
公式十:
其中,P(k)表示k时刻的状态估计误差协方差, 表示k时刻的状态估计误差,表示nx维单位矩阵,G(k)表示k时刻的一步预测误差协方差;
G(k)是通过公式十一确定的,
公式十一:
其中,P(k-1)表示k-1时刻的状态估计误差协方差。
8.一种高速列车制动系统关键部件的状态监测装置,包括:
建模模块,用于建立高速列车制动系统关键部件的离散时间状态空间模型;
第一确定模块,用于确定所述高速列车制动系统关键部件的当前控制输入数据和当前测量输出数据;
第二确定模块,用于根据所述高速列车制动系统关键部件的离散时间状态空间模型、当前控制输入数据以及当前测量输出数据确定所述高速列车制动系统关键部件的状态估计器;
状态估计模块,用于利用所述状态估计器对所述高速列车制动系统关键部件进行状态估计,并确定状态估计误差协方差;
其中,所述建模模块进一步包括以下子模块:
第一子模块,用于根据所述高速列车制动系统关键部件的物理结构建立该高速列车制动系统关键部件的机理模型;
第二子模块,用于利用系统辨识技术辨识所述机理模型的模型参数;
第三子模块,用于根据当前采样时间对所述机理模型的模型参数进行离散化,得到高速列车制动系统关键部件的离散时间状态空间模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610896235.2A CN106394539B (zh) | 2016-10-14 | 2016-10-14 | 一种高速列车制动系统关键部件的状态监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610896235.2A CN106394539B (zh) | 2016-10-14 | 2016-10-14 | 一种高速列车制动系统关键部件的状态监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106394539A CN106394539A (zh) | 2017-02-15 |
CN106394539B true CN106394539B (zh) | 2019-01-04 |
Family
ID=59229425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610896235.2A Active CN106394539B (zh) | 2016-10-14 | 2016-10-14 | 一种高速列车制动系统关键部件的状态监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106394539B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009117A (zh) * | 2019-03-28 | 2019-07-12 | 中车青岛四方机车车辆股份有限公司 | 基于列车状态数据的机理模型生成方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1167142A1 (en) * | 2000-06-28 | 2002-01-02 | Westinghouse Air Brake Technologies Corporation | Grade speed control and method for railway freight vehicle |
CN101480946A (zh) * | 2009-02-16 | 2009-07-15 | 华南理工大学 | 一种基于轮载式智能传感车轮制动性能监测方法 |
US7571030B2 (en) * | 2006-04-10 | 2009-08-04 | Gm Global Technology Operations, Inc. | Estimation of vehicle roll rate and roll angle using suspension deflection sensors |
CN102431545A (zh) * | 2011-08-30 | 2012-05-02 | 北京交通大学 | 列车制动性能监测方法与装置 |
CN104724098A (zh) * | 2013-12-20 | 2015-06-24 | 广州市地下铁道总公司 | 一种城轨列车制动系统故障诊断方法 |
-
2016
- 2016-10-14 CN CN201610896235.2A patent/CN106394539B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1167142A1 (en) * | 2000-06-28 | 2002-01-02 | Westinghouse Air Brake Technologies Corporation | Grade speed control and method for railway freight vehicle |
US7571030B2 (en) * | 2006-04-10 | 2009-08-04 | Gm Global Technology Operations, Inc. | Estimation of vehicle roll rate and roll angle using suspension deflection sensors |
CN101480946A (zh) * | 2009-02-16 | 2009-07-15 | 华南理工大学 | 一种基于轮载式智能传感车轮制动性能监测方法 |
CN102431545A (zh) * | 2011-08-30 | 2012-05-02 | 北京交通大学 | 列车制动性能监测方法与装置 |
CN104724098A (zh) * | 2013-12-20 | 2015-06-24 | 广州市地下铁道总公司 | 一种城轨列车制动系统故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
动态系统间歇故障诊断技术综述;周东华,史建涛,何潇;《自动化学报》;20140228;第40卷(第2期);全文 |
基于单网络模糊及无模型自适应动态规划最优控制方法的研究;张吉烈;《中国博士学位论文全文数据库 科技信息辑》;20160315(第3期);第91-107页 |
基于机理模型的非线性无偏预测控制算法;张小艳,陈杨,赵均,徐祖华;《第25届中国过程控制会议论文集》;20140809;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106394539A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Esau et al. | On teleprocessing system design, Part II: A method for approximating the optimal network | |
CN104483962B (zh) | 基于多向正交局部保持投影的间歇过程在线故障检测方法 | |
CN106525466B (zh) | 一种动车组制动系统关键部件鲁棒滤波方法和系统 | |
CN108139299A (zh) | 用于确定道路或轨道车辆的模态参数并间接表征道路或轨道轮廓的方法 | |
CN107274472A (zh) | 一种提高vr播放帧率的方法和装置 | |
CN103237320B (zh) | 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 | |
CN106121622B (zh) | 一种基于示功图的有杆泵抽油井的多故障诊断方法 | |
CN108089938A (zh) | 异常数据处理方法及装置 | |
CN108120400A (zh) | 一种物体中心偏转角度检测方法及装置 | |
CN106394539B (zh) | 一种高速列车制动系统关键部件的状态监测方法和装置 | |
CN107391230B (zh) | 一种确定虚拟机负载的实现方法和装置 | |
CN108256238A (zh) | 一种基于深度学习的光纤光栅波长解调方法及装置 | |
CN103428733B (zh) | 一种预测方法和装置 | |
CN106033643B (zh) | 一种数据处理方法及装置 | |
Liu et al. | Multirate multisensor distributed data fusion algorithm for state estimation with cross-correlated noises | |
CN113569432A (zh) | 一种液气密元件的模拟检测方法及系统 | |
CN110008387A (zh) | 流场可视化实现方法、装置及电子设备 | |
CN115049750B (zh) | 基于八叉树的体素地图生成方法、装置、存储介质及设备 | |
KR20210068110A (ko) | 목표 추적 방법 및 장치 | |
CN111222086A (zh) | 一种基于全信息滤波技术的时变系统递推状态估计方法 | |
CN111108738A (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
CN111224830A (zh) | 数据监控方法、装置、物联网网元及计算机可读存储介质 | |
CN115471554A (zh) | 获取元宇宙空间用户行为数据的方法、装置及存储介质 | |
CN105259533A (zh) | 基于多维标度法子空间分析的三阶段到达时间差定位方法 | |
CN109885598A (zh) | 故障识别方法、装置、计算机可读存储介质及电子设备 |
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 |