CN107527140A

CN107527140A - 一种基于模糊隶属度的高速列车运行工况确定方法

Info

Publication number: CN107527140A
Application number: CN201710631185.XA
Authority: CN
Inventors: 谢国; 王竹欣; 黑新宏; 惠鏸; 赵金伟; 马维刚; 张春丽
Original assignee: Xian University of Technology
Current assignee: Xian University of Technology
Priority date: 2017-07-28
Filing date: 2017-07-28
Publication date: 2017-12-29

Abstract

本发明公开了一种基于模糊隶属度的高速列车运行工况确定方法，包括以下步骤实施：步骤1、对列车运行产生的速度数据进行去噪处理；步骤2、对去噪后的数据采样；步骤3、高速列车运行工况的确定。通过对列车运行时产生的速度数据分析发现，高速列车停车时间大约为两分钟左右，在一个运行周期内，运行工况较多，且当加速到一定程度的时候，其速度依旧会有一定幅度的变化，故本发明依据大数据的思想对速度数据先进行去噪处理，然后利用其运行工况的模糊性，选择模糊变量以及隶属度函数，进而确定模糊隶属度函数，通过模糊推理判断列车的运行工况，解决了列车运行工况难以确定的问题。

Description

一种基于模糊隶属度的高速列车运行工况确定方法

技术领域

本发明属于高速列车运行工况自动识别技术领域，具体涉及一种基于模糊隶属度的高速列车运行工况确定方法。

背景技术

伴随着我国高速列车的飞速发展，运营里程的不断增加，列车向着大功率、高速、重载的方向发展，安全也成为铁路运输永恒的主题。在列车运行的过程中，当出现环境突变，变轨、转弯、上下坡、驶向以及驶离站点等情况时，列车运行的工况就会发生变化，实际上，列车在运行的过程中，运行工况不仅有牵引运行，还有惰力运行和制动运行，即加速、平稳运行和减速，在这三种运行工况下列车的能耗也是不同的。

当列车在转弯或者上下坡时，运行工况变化较频繁，速度变化过于剧烈，则会影响平均的行车速度，同时会因为频繁的加速和减速造成车轴温度的升高，严重的话会造成热轴故障问题。虽然根据列车在运行过程中所产生的数据可以判断出一个时间点的速度处于哪种运行工况，但是对于其在两种运行工况转换的过程中到底处于哪种工况是不确定的，且如若对运行工况进行自动识别，则可以在三种运行工况下，基于大数据的思想对轴温进行预测。故针对此问题，首先对列车运行所产生的速度数据进行去噪处理，然后利用模糊隶属度的方法对列车的运行工况进行自动识别。

发明内容

本发明的目的是提供一种基于模糊隶属度的高速列车运行工况确定的方法，解决了列车运行过程中由于环境突变、转弯等因素造成的运行工况不确定的问题。

为解决上述问题，本发明采用以下技术方案：

一种基于模糊隶属度的高速列车运行工况确定方法，具体包括以下步骤：

步骤1、对列车运行产生的速度数据进行去噪处理；

步骤2、对去噪后的数据采样；

步骤3、高速列车运行工况的确定。

作为本发明进一步的方案：步骤1具体为：

步骤(1.1)、采集数据，采集高速列车的运行速度v，且生成速度向量如下：

v_t＝[v₁,v₂,...,v_n]^T；

步骤(1.2)、去掉停车阶段，将步骤(1.1)中所得的速度数据的停车阶段去掉，即去掉v_t＝0的点，记为v_t0；

步骤(1.3)、缺失值处理，将步骤(1.2)中所得的速度数据v_t0，对其进行缺失值处理，若v_t0i为缺失值，则令

v_t0i＝(v_t0(i-1)+v_t0(i+1))/2

其中v_t0(i-1)、v_t0(i+1)分别为缺失值v_t0i的相邻前后两项的值，将其值补入步骤(1.2)中的去掉停车阶段后的速度数据v_t0中，生成新的速度数据v_t1；

步骤(1.4)、去噪处理，对步骤(1.3)中的速度向量v_t1进行去噪处理，本发明选用二次指数平滑法去噪，且平滑常数α取值0.95，则

S_t'＝αv_t1+(1-α)S′_t-1

S_t”＝αv_t'₁+(1-α)S″_t-1

S_t'为一次指数平滑值；S_t”为二次指数平滑值，故生成去噪后的速度表示为S_t”。

作为本发明进一步的方案：步骤2具体为：

采样，对经过所述步骤(1.4)处理后的高速列车的速度数据S_t”进行采样，记为v_c，记采样频率为σ，本发明取σ＝10，且生成向量如下；

v_c＝[v_c1,v_c2,...,v_cn]^T。

作为本发明进一步的方案：步骤3具体为：

步骤(3.1)、选择输入参数，对步骤(2.1)得到的v_c进行一阶差分，即连续相邻两项之差，然后用其差值与采样频率σ相除，得到加速度a，且生成向量如下：

a＝[a₁,a₂,...a_i,...,a_n-1]^T

其中a_i＝(v_c(i+1)-v_ci)/σ，设a为论域X上的集合；

步骤(3.2)、建立模糊规则库，将步骤(3.1)得到的a作为输入参数，且将此参数模糊化，生成三个模糊等级，并表示称模糊集合a＝{A₁,A₂,A₃}，A₁,A₂,A₃分别表示很小、中间、很大；然后根据列车的运行模态，将其分为三个模糊等级，分别为B₁＝减速阶段、B₂＝惰行阶段、B₃＝加速阶段，1个模糊变量，有3个模糊等级，则生成3条模糊规则；如表1所示：

表1模糊规则

序号	加速度a	结果
			1	很小A₁	减速B₁
2	中间A₃	惰行B₂
			3	很大A₅	加速B₃

步骤(3.3)、模糊变量论域的确定，对步骤(3.1)得到的a取最大值以及最小值，得到a_max＝1.8，a_min＝-1.4，取模糊变量a的隶属度函数为三角形分布，其隶属度函数的中心点按照以下方法确定：

第一个中心点为c₁＝a_min/2＝-0.7；

第二个中心点为c₂＝(a_min+a_max)/2＝0.2；

第三个中心点为c₃＝a_max/2＝0.9；

步骤(3.4)、隶属度函数的确定，通过步骤(3.3)得到3个隶属度函数的中心点，则模糊变量a的隶属度函数分别为：

步骤(3.5)、模糊推理，对步骤(3.1)得到的模糊输入a用步骤(3.2)的模糊规则进行推理，用ν表示模糊推理的值；

步骤(3.6)、去模糊化，对步骤(3.4)得到模糊值用加权平均法对其进行清晰化，得到去模糊化公式为

其中γ是模糊推理的输出结果，γ_i是模糊输出的中心点，即运行工况，1代表减速阶段、2代表惰行阶段、3代表加速阶段。

通过对列车运行时产生的速度数据分析发现，高速列车停车时间大约为两分钟左右，在一个运行周期内，运行工况较多，且在加速到一定的速度的时候，其速度依旧会有一定幅度的变化，故本发明依据大数据的思想对速度数据先进行去噪处理，然后基于模糊隶属度的方法对其运行工况进行自动的辨识，进而在此基础上可以基于三个运行工况对轴温进行预测，从而对列车的热轴判别提供一定的理论基础。

本发明的有益效果是：一种基于模糊隶属度的高速列车运行工况确定方法，研究如何能更科学的对来列车的运行工况自动识别；通过对轴温数据进行预处理，即去噪和抽样，得到处理后的数据，然后利用其运行工况的模糊性，选择模糊变量以及隶属度函数，进而确定模糊隶属度函数，通过模糊推理判断列车的运行工况。

附图说明

图1是本发明的总体流程图；

图2是本发明加速度变换图。

图3是本发明加速度的隶属度函数图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

在对数据进行预处理的过程中，发现列车的运行速度变化较大，可能遇到转弯，变换轨道等情况，且由于传感器的误差，可能会导致速度数据有缺失值等情况，故对缺失值进行补值处理和去噪处理，然后基于此建立基于模糊隶属度的高速列车运行工自动辨识的方法。

如图1-3所示，一种基于模糊隶属度的高速列车运行工况确定方法，具体按照以下步骤实施：

步骤1、对列车运行产生的速度数据进行去噪处理，具体为：

步骤(1.1)、采集高速列车的运行速度v，且生成速度向量如下；

v_t＝[v₁,v₂,...,v_n]^T

步骤(1.2)、将步骤(1.1)中所得的速度数据的停车阶段去掉，即去掉v_t＝0的点，记为v_t0；

步骤(1.3)、将步骤(1.2)中所得的速度数据v_t0，对其进行缺失值处理，若v_t0i为缺失值，则令

v_t0i＝(v_t0(i-1)+v_t0(i+1))/2

其中v_t0(i-1)、v_t0(i+1)分别为缺失值v_t0i的相邻前后两项的值，将其值补入步骤(1.2)中的去掉停车阶段后的速度数据v_t0中，生成新的速度数据v_t1。

步骤(1.4)、对步骤(1.3)中的速度向量v_t1进行去噪处理，本发明选用二次指数平滑法去噪，且平滑常数α取值0.95，则

S_t'＝αv_t1+(1-α)S′_t-1

S_t”＝αv_t'₁+(1-α)S″_t-1

步骤2、对去噪后的数据采样，具体为：

步骤(2.1)、对经过所述步骤(1.4)处理后的高速列车的速度数据S_t”进行采样，记为v_c，记采样频率为σ，本发明取σ＝10。且生成向量如下；

v_c＝[v_c1,v_c2,...,v_cn]^T

步骤3、高速列车运行工况的确定，具体为：

a＝[a₁,a₂,...a_i,...,a_n-1]^T

其中a_i＝(v_c(i+1)-v_ci)/σ，设a为论域X上的集合。

步骤(3.2)、建立模糊规则库，将步骤(3.1)得到的a作为输入参数，且将此参数模糊化，生成三个模糊等级，并表示称模糊集合a＝{A₁,A₂,A₃}，A₁,A₂,A₃分别表示很小、中间、很大；然后根据列车的运行模态，将其分为三个模糊等级，分别为B₁＝减速阶段、B₂＝惰行阶段、B₃＝加速阶段。1个模糊变量，有3个模糊等级，则生成3条模糊规则，如表1所示：

表1模糊规则

第一个中心点为c₁＝a_min/2＝-0.7；

第二个中心点为c₂＝(a_min+a_max)/2＝0.2；

第三个中心点为c₃＝a_max/2＝0.9；

步骤(3.5)、模糊推理，对步骤(3.1)得到的模糊输入a用步骤(3.2)的模糊规则进行推理，用ν表示模糊推理的值。

其中γ是模糊推理的输出结果，γ_i是模糊输出的中心点，即运行工况(1代表减速阶段、2代表惰行阶段、3代表加速阶段)

通过对列车运行时产生的速度数据分析发现，高速列车停车时间大约为两分钟左右，在一个运行周期内，运行工况较多，且在加速到一定的速度的时候，其速度依旧会有一定幅度的变化，故本发明依据大数据的思想对速度数据先进行去噪处理，然后基于模糊隶属度的方法对其运行工况进行自动的辨识，进而在此基础上可以基于三个运行工况对轴温进行预测，从而对列车的热轴判别提供一定的理论基础，解决了列车运行工况难以确定的问题。

以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变形仍落入本发明的保护范围之内。

Claims

1.一种基于模糊隶属度的高速列车运行工况确定方法，其特征在于，具体包括以下步骤：

步骤1、对列车运行产生的速度数据进行去噪处理；

步骤2、对去噪后的数据采样；

步骤3、高速列车运行工况的确定。

2.根据权利要求1所述的一种基于模糊隶属度的高速列车运行工况确定方法，其特征在于，步骤1具体为：

v_t＝[v₁,v₂,...,v_n]^T；

v_t0i＝(v_t0(i-1)+v_t0(i+1))/2

步骤(1.4)、去噪处理，对步骤(1.3)中的速度向量v_t1进行去噪处理，本发明选用二次指数平滑法去噪，且平滑常数α取值0.95，则：

S′_t＝αv_t1+(1-α)S′_t-1

S″_t＝αv′_t1+(1-α)S″_t-1

S′_t为一次指数平滑值；S″_t为二次指数平滑值，故生成去噪后的速度表示为S″_t。

3.根据权利要求1所述的一种基于模糊隶属度的高速列车运行工况确定方法，其特征在于，步骤2具体为：

v_c＝[v_c1,v_c2,...,v_cn]^T。

4.根据权利要求1所述的一种基于模糊隶属度的高速列车运行工况确定方法，其特征在于，步骤3具体为：

a＝[a₁,a₂,...a_i,...,a_n-1]^T

其中a_i＝(v_c(i+1)-v_ci)/σ，设a为论域X上的集合；

序号加速度a 结果 1 很小A₁ 减速B₁ 2 中间A₃ 惰行B₂ 3 很大A₅ 加速B₃

第一个中心点为c₁＝a_min/2＝-0.7；

第二个中心点为c₂＝(a_min+a_max)/2＝0.2；

第三个中心点为c₃＝a_max/2＝0.9；

步骤(3.5)、模糊推理，对步骤(3.1)得到的模糊输入a用步骤(3.2)的模糊规则进行推理，用γ表示模糊推理的值；

<mrow> <mi>&gamma;</mi> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <msub> <mi>&gamma;</mi> <mi>i</mi> </msub> <msub> <mi>&mu;</mi> <mrow> <mi>A</mi> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&gamma;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <msub> <mi>&mu;</mi> <mrow> <mi>A</mi> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&gamma;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>