CN108490766A - 高速列车执行器自适应故障补偿位置跟踪方法 - Google Patents
高速列车执行器自适应故障补偿位置跟踪方法 Download PDFInfo
- Publication number
- CN108490766A CN108490766A CN201810097016.7A CN201810097016A CN108490766A CN 108490766 A CN108490766 A CN 108490766A CN 201810097016 A CN201810097016 A CN 201810097016A CN 108490766 A CN108490766 A CN 108490766A
- Authority
- CN
- China
- Prior art keywords
- train
- parameter
- model
- fault
- unknown
- 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.)
- Granted
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000006073 displacement reaction Methods 0.000 claims abstract description 67
- 238000013461 design Methods 0.000 claims description 25
- 230000036541 health Effects 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 8
- 230000009897 systematic effect Effects 0.000 abstract description 10
- 241000208340 Araliaceae Species 0.000 description 9
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 9
- 235000003140 Panax quinquefolius Nutrition 0.000 description 9
- 235000008434 ginseng Nutrition 0.000 description 9
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012885 constant function Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了高速列车执行器自适应故障补偿位置跟踪方法,高速列车执行器自适应故障补偿位置跟踪方法包括如下步骤:采集列车运行参数,根据参数从列车模型集合中选择出匹配的列车模型,以及对应的自适应补偿控制器和自适应律;匹配的列车模型加载对应的自适应补偿控制器和自适应律;对应的自适应补偿控制器和自适应律使得当前时刻的状态量跟踪期望位移。能够解决高速列车在不同运行条件下系统参数及干扰变化的问题,通过自适应执行器补偿控制方法来实现高速列车的位置跟踪。
Description
技术领域
本发明涉及高速列车领域,尤其涉及高速列车执行器自适应故障补偿位置跟踪方法。
背景技术
随着我国高速铁路的不断发展以及高速列车的提速,高铁已逐步成为人们日常出行的一种交通方式,进一步给广大群众的生活带来了极大便利。因此,为保障人们的生命财产安全,维持列车的高速安全运行极为重要。在列车的牵引系统中,执行器负责为列车提供运行所需的牵引力,占有极为重要的地位。列车长时间(远距离)运行时,牵引系统会发生故障,导致列车的延误甚至停运。为了提高我国高铁运行的安全性,针对高速列车牵引系统执行器故障补偿的研究势在必行。
牵引系统故障中出现最多且最重要的就是执行器机构故障,目前的研究成果中,大多都是针对不含或者含恒值干扰且系统参数为已知或为时变有界的列车运动模型进行故障补偿研究,而这些常参数系统或有界变参数系统无法完整体现系统的动态特征。
综上,现有技术中缺乏针对系统动态特征的自适应补偿控制方法,实现高速列车的位置跟踪。
发明内容
本发明提供了高速列车执行器自适应故障补偿位置跟踪方法,能够解决高速列车在不同运行条件下系统参数及干扰变化的问题,通过自适应执行器补偿控制方法来实现高速列车的位置跟踪。
高速列车执行器自适应故障补偿位置跟踪方法,包括如下步骤:
采集列车运行参数,根据参数从列车模型集合中选择出匹配的列车模型,以及对应的自适应补偿控制器和自适应律;
匹配的列车模型加载对应的自适应补偿控制器和自适应律;
对应的自适应补偿控制器和自适应律使得当前时刻的状态量跟踪期望位移。
进一步的,所述列车模型集合包括:健康模型、参数化故障模型、非参数化故障模型、干扰界限未知的故障模型。
进一步的,健康模型为:
其中,x1(t)是列车的位移,x2(t)是列车的运行速度,是列车的运行加速度,g是重力加速度,m(t)是列车的质量系数,F(t)是列车牵引力,a(t)是列车的滚动阻力,b(t)是与列车速度有关的线性阻力系数,c(t)是与列车速度相关的非线性阻力系数,是斜面轨道的倾斜角的正弦,D(t)指曲线轨道的曲率度,表示未建模的干扰。参数m(t)、a(t)、b(t)、c(t)、D(t)、为分段函数,记为
mi、ai、bi、ci、Di为未知常数,为有界干扰,χi(t)是指示函数,定义为:
其中,Ω是列车运行中所有可能的系统状态的阈值,共划分为l个分区Ωi,i=1...l。
由于阻力的参数a(t)、b(t)、c(t)、D(t)是时变的,列车的纵向动态运动模型也是时变的。对于重载列车,这些参数常被认为是已知常数,但是对于高速列车,这些系统参数是不断变化的,特别是参数c。在本发明中,与列车位移和速度有关的分段常值函数模型被用于描述变化的参数,相比较常值函数和有界变参数模型,该分段常值模型不仅能更方便的分析时变模型,还具有更高的精确性,同时也适用于实际的控制设计。
位移跟踪误差z1(t)为:
z1(t)=x1(t)-xm(t)
其中,z1(t)是列车的位移跟踪误差,x1(t)是列车的位移,xm(t)是期望位移。
引入参数z2(t)
z2(t)=x2(t)-α1(t)
其中,α1(t)是设计的方程,r1为常参数且r1>0。由列车健康模型和位移跟踪误差可得:
其他参数估计误差包括:
是参数ai,bi,ci,Di的估计值,是参数ρi=1/mi的估计值;
在健康模型中,参数的自适应律如下:
其中,r2>0,
参数Γai,Γbi,Γci,ΓDi,Γmi为正的常数。
健康模型自适应控制器结构为:
其中,v1di(t)是设计量,用于补偿未建模干扰di(t)以保证系统的稳定性和跟踪性,
是参数mi的已知下限: 是设计的参数满足
根据Lyapunov稳定理论,无故障时控制器状态估计误差一致稳定,其解一致有界。
进一步的,参数化故障模型为:
其中,x3(t)是列车发生参数化故障情况下的位移,x4(t)是列车发生参数化故障情况下的运行速度,是列车发生参数化故障情况下的运行加速度,g是重力加速度,m(t)是列车的质量系数,F(t)是列车牵引力,a(t)是列车的滚动阻力,b(t)是与列车速度有关的线性阻力系数,c(t)是与列车速度相关的非线性阻力系数,是斜面轨道的倾斜角的正弦,D(t)指曲线轨道的曲率度,表示未建模的干扰。参数m(t)、a(t)、b(t)、c(t)、D(t)、为分段函数,记为 mi、ai、bi、ci、Di为未知常数,为有界干扰,χi(t)是指示函数,定义为:
其中,Ω是列车运行中所有可能的系统状态的阈值,共划分为l个分区Ωi,i=1...l;是由基础信号组成的向量,kν是故障模式参数,ξ为幅值,kν、ξ和决定哪些执行器发生了故障及发生何种类型的故障:发生故障前,kν=n,ξ=0;执行器发生故障时,kν,ξ为未知常数,ν1(t)为根据故障补偿设计的控制信号,用于保证系统的稳定性和渐进跟踪性能;
位移跟踪误差为z3(t):
z3(t)=x3(t)-xm(t)
其中,z3(t)是列车发生参数化故障情况下的位移跟踪误差,x3(t)是列车发生参数化故障情况下的位移,xm(t)是期望位移。
引入参数z4(t)
z4(t)=x4(t)-α2(t)
其中,α2(t)是设计的方程,r3为常参数且r3>0。
由列车参数化故障模型和位移跟踪误差可得:
其他参数的估计误差为:
是参数ξ,ai,bi,ci,Di的估计值,是参数ρi=1/mikv的估计值。
在参数化故障模型中,参数 的自适应律为:
其中,r4>0,
参数γξ、γai、γbi、γci、γDi、γmi为正常值;
参数化故障模型控制信号ν1(t)为:
其中,v2di(t)是设计量,用来补偿未建模的干扰di(t)以满足系统的稳定性和跟踪性, 是参数mi已知的下限: 是设计的参数满足
根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界。
进一步的,非参数化故障模型为:
其中,x5(t)是列车发生非参数化故障情况下的位移,x6(t)是列车发生非参数化故障情况下的运行速度,是列车发生非参数化故障情况下的运行加速度,g是重力加速度,m(t)是列车的质量系数,F(t)是列车牵引力,a(t)是列车的滚动阻力,b(t)是与列车速度有关的线性阻力系数,c(t)是与列车速度相关的非线性阻力系数,是斜面轨道的倾斜角的正弦,D(t)指曲线轨道的曲率度,表示未建模的干扰。参数m(t)、a(t)、b(t)、c(t)、D(t)、为分段函数,记为
mi、ai、bi、ci、Di为未知常数,为有界干扰,χi(t)是指示函数,定义为:
其中,Ω是列车运行中所有可能的系统状态的阈值,共划分为l个分区Ωi,i=1...l。
是未知有界非参数化的项,是由基础信号组成的向量,kν是故障模式参数,ξ为幅值,kν、ξ和决定哪些执行器发生了故障及发生何种类型的故障。执行器发生故障时kν,ξ为未知常数,且发生故障前kν=n,ξ=0,n为所述执行器的个数,n为正整数;当故障发生时,ν0(t)为根据故障补偿设计的应用控制信号,用于保证系统的稳定性和渐进跟踪性能,
非参数化故障模型控制信号ν2(t)为:
其中,v1sj(t)和v3di(t)为设计量,用来补偿未知参数和以满足系统的稳定性和跟踪性,xm(t)是期望位移。
信号v1sj(t)和v3di(t)为设计量:
其中,和是参数kv和mikv已知的下限: 是设计的参数满足
在非参数化故障模型中,参数 的自适应律为:
其中,r6>0,
参数γξ、γai、γbi、γci、γDi、γmi为正的常数;根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界。
进一步的,干扰界限未知的故障模型为:
其中,x7(t)是列车在干扰界未知的情况下发生参数化故障的位移,x8(t)是列车在干扰界未知的情况下发生参数化故障的运行速度,是列车在干扰界未知的情况下发生参数化故障的运行加速度,是由基础信号组成的向量,kν是故障模式参数,ξ为幅值,kν与ξ和决定哪些执行器发生了故障及发生何种类型的故障。发生故障前,kν=n,ξ=0;执行器发生故障时,kν,ξ为未知常数;ν3(t)为根据故障补偿设计的控制信号。
干扰界限未知的故障模型的自适应律为:
其中,是参数ξ,ai,bi,ci,Di,的估计值,是参数ρi=1/mikv的估计值,是未知参数满足γξ,Γai,Γbi,Γci,ΓDi, Γmi为正值;
干扰界限未知故障模型的控制信号ν3(t)为:
其中,v4di(t)为设计量,用来补偿未建模的干扰di(t), 是参数mi已知的下限:
根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界。
本发明具有如下有益效果:
本发明除了提供了列车健康状态下的模型,同时针对高速列车出现参数化执行器故障、非参数化执行器故障以及干扰界限未知等情况,建立了多种列车模型,其中,考虑列车变化的运行条件及复杂的轮轨粘着系数,采用含分段常数模型来描述列车执行器发生故障时的列车纵向运动,相比现有的常系统参数或有界变系统参数,能够更加完整的体现系统的动态特征;本发明在列车模型的基础上,分别设计了相匹配的自适应补偿控制器和自适应律,自适应补偿控制器和自适应律能够通过控制当前时刻的状态量跟踪期望位移,从而最终实现高速列车位置跟踪。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为牵引系统工作原理示意图;
图2为列车健康系统含界限已知干扰的分段模型的位移跟踪图;
图3(a)为列车健康系统含界限已知干扰的分段模型的位移跟踪误差图;
图3(b)为列车系统含界限已知干扰的参数化故障模型的位移跟踪误差;
图3(c)为列车系统含界限已知干扰的非参数化故障模型的位移跟踪误差;
图3(d)为列车系统含界限未知干扰的参数化故障模型的位移跟踪误差。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合具体实施方式对本发明作进一步详细描述。
高速列车执行器自适应故障补偿位置跟踪方法,包括如下步骤:
采集列车运行参数,根据参数从列车模型集合中选择出匹配的列车模型,以及对应的自适应补偿控制器和自适应律;
匹配的列车模型加载对应的自适应补偿控制器和自适应律;
对应的自适应补偿控制器和自适应律使得当前时刻的状态量跟踪期望位移。
列车模型集合包括:健康模型、参数化故障模型、非参数化故障模型、干扰界限未知的故障模型。
健康模型为:
其中,x1(t)是列车的位移,x2(t)是列车的运行速度,是列车的运行加速度,g是重力加速度,m(t)是列车的质量系数,F(t)是指列车牵引力,a(t)是指指列车的滚动阻力分量,b(t)是指与列车速度有关的线性阻力系数,c(t)是指与列车速度相关的非线性阻力系数,是指斜面轨道的倾斜角的正弦,D(t)是指曲线轨道的曲率度,表示未建模的干扰,参数m(t)、a(t)、b(t)、c(t)、D(t)、为未知常数,写为
mi、ai、bi、ci、Di为未知常数,为有界干扰,χi(t)是指示函数,定义为:
其中,Ω是列车运行中所有可能的系统状态的阈值,共划分为l个分区Ωi,i=1...l。
位移跟踪误差z1(t)为:
z1(t)=x1(t)-xm(t)
其中,z1(t)是列车的位移跟踪误差,x1(t)是列车的位移,xm(t)是期望位移。
引入参数z2(t)
z2(t)=x2(t)-α1(t)
其中,α1(t)是设计的方程,r1为常参数且r1>0。由列车健康模型和位移跟踪误差可得:
其他参数估计误差包括:
是参数ai,bi,ci,Di的估计值,是参数ρi=1/mi的估计值;
在健康模型中,参数的自适应律如下:
其中,r2>0,
参数Γai,Γbi,Γci,ΓDi,Γmi为正的常数。
健康模型自适应控制器结构为:
其中,v1di(t)是设计量,用于补偿未建模干扰di(t)以保证系统的稳定性和跟踪性,
是参数mi的已知下限: 是设计的参数满足
选择如下Lyapunov方程:
根据估计误差和自适应律,得到V1的时间导数:
根据Lyapunov稳定理论,得到无故障时控制器状态估计误差一致稳定,其解一致有界。
参数化故障模型为::
其中,x3(t)是列车发生参数化故障情况下的位移,x4(t)是列车发生参数化故障情况下的运行速度,是列车发生参数化故障情况下的运行加速度,g是重力加速度,是由基础信号组成的向量,kν是故障模式参数,与ξ和决定哪些执行器发生了故障及发生何种类型的故障。执行器发生故障时kν,ξ为未知常数,且发生故障前kν=n,ξ=0。当故障发生时,ν1(t)为根据故障补偿设计的应用控制信号,用于保证系统的稳定性和渐进跟踪性能。
位移跟踪误差为z3(t):
z3(t)=x3(t)-xm(t)
其中,z3(t)是列车发生参数化故障情况下的位移跟踪误差,x3(t)是列车发生参数化故障情况下的位移,xm(t)是期望位移。
引入参数z4(t)
z4(t)=x4(t)-α2(t)
其中,α2(t)是设计的方程,r3为常参数且r3>0。
由列车参数化故障模型和位移跟踪误差可得:
其他参数的估计误差:
其中,是参数ξ,ai,bi,ci,的估计值,是参数ρi=1/mi的估计值。
在参数化故障模型中,参数 的自适应律为:
其中,r4>0,
参数γξ、γai、γbi、γci、γDi、γmi为正的常数。
参数化故障模型控制信号ν1(t)为:
其中,v2di(t)是设计量用来补偿未建模的干扰di(t)以满足系统的稳定性和跟踪性, 是参数mi已知的下限: 是设计的参数满足
选择如下Lyapunov方程:
根据估计误差和自适应律,得到V2的时间导数:
根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界
非参数化故障模型为:
其中,x5(t)是列车发生非参数化故障情况下的位移,x6(t)是列车发生非参数化故障情况下的运行速度,是列车发生非参数化故障情况下的运行加速度,是未知有界非参数化的项,是由基础信号组成的向量,kν是故障模式参数,与ξ和决定哪些执行器发生了故障及发生何种类型的故障。执行器发生故障时kν,ξ为未知常数,且发生故障前kν=n,ξ=0。当故障发生时,ν2(t)为根据故障补偿设计的应用控制信号,用于保证系统的稳定性和渐进跟踪性能。
位移跟踪误差为z5(t):
z5(t)=x5(t)-xm(t)
其中,x5(t)是列车发生非参数化故障情况下的位移,xm(t)是期望位移。
z6(t)为参数,
z6(t)=x6(t)-α3(t)
其中,α3(t)是设计的方程,r5为常参数且r5>0。
由列车非参数化故障模型和位移跟踪误差可得:
其他参数的估计误差:
其中,是参数ξ,ai,bi,ci,的估计值,是参数ρi=1/mi的估计值。
在非参数化故障模型中,参数 选择如下自适应律更新控制器参数:
其中,r6>0,
参数γξ、γai、γbi、γci、γDi、γmi为正的常数。
非参数化故障模型控制信号ν2(t)为:
其中,v1sj(t)和v3di(t)被设计用来补偿未知参数和以满足系统的稳定性和跟踪性。参数η(t)、ζi(t)在3中有定义,估计参数 同样采用3中的自适应律更新估计值。
信号v1sj(t)和v3di(t)设计为:
其中,和是参数kv和mikv已知的下限: 是设计的参数满足
选择如下Lyapunov方程:
根据估计误差和自适应律,得到V3的时间导数:
根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界。
干扰界限未知的故障模型为:
其中,x7(t)是列车在干扰界未知的情况下发生参数化故障的位移,x8(t)是列车在干扰界未知的情况下发生参数化故障的运行速度,是列车在干扰界未知的情况下发生参数化故障的运行加速度,g是重力加速度,是由基础信号组成的向量,kν是故障模式参数,与ξ和决定哪些执行器发生了故障及发生何种类型的故障。执行器发生故障时,kν,ξ为未知常数;发生故障前,kν=n,ξ=0。当故障发生时,ν3(t)为根据故障补偿设计的控制信号。
位移跟踪误差z7(t)为:
z7(t)=x7(t)-xm(t)
其中,z7(t)是列车在干扰界未知的情况下发生参数化故障的位移跟踪误差,x7(t)是列车在干扰界未知的情况下发生参数化故障的位移,xm(t)是期望位移。
引入参数z8(t)
z8(t)=x8(t)-α4(t)
其中,α4(t)是设计的方程,r7为常参数且r7>0。
由列车参数化故障模型和位移跟踪误差可得:
其他参数的估计误差: 其中,是参数ξ,ai,bi,ci,的估计值,是参数ρi=1/mikv的估计值,是未知参数满足
干扰界限未知故障模型的自适应律用于更新控制器参数为:
其中,是参数ξ,ai,bi,
ci,,Di,的估计值,是参数ρi=1/mikv的估计值,是未知参数满足γξ,Γai,Γbi,Γci,ΓDi, Γmi为正值。
干扰界限未知故障模型的控制信号ν3(t)为:
其中,v4di(t)被设计用来补偿未建模的干扰di(t), 是参数mi已知的下限:
选择如下Lyapunov方程:
根据估计误差和自适应律,得到V4的时间导数:
根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界。
本发明所适用的牵引系统工作原理示意图如图1所示,通过硬件装置获取所需的状态信号,在列车运行过程中通过为GPS定位系统获得列车的位移,通过速度传感器获得列车该时刻的运行速度。
下面对本发明提供的高速列车执行器自适应故障补偿位置跟踪方法进行仿真验证:
步骤1、设计列车的运动过程,包括加速、再加速、匀速、减速、再减速、减缓至完全停止。
(1)t<400s时,列车加速启动,系统参数为:a1=8.63×10-3KN,b1=7.295×10- 6KNs/m,c1=1.12×10-6KNs2/m2,θ1=0°,D1=0;
(2)400≤t<800s时,列车进入隧道,系统参数为:a2=8.63×10-3KN,b2=7.295×10-6KNs/m,c2=9.12×10-6KNs2/m2,θ2=0°,D2=0;
(3)t=800s时,列车离开隧道并驶入倾斜和弯曲轨道。800≤t<1400s时,系统参数为:a3=8.63×10-3KN,b3=7.295×10-6KNs/m,c3=1.12×10-6KNs2/m2,θ3=1.1457°,D3=0.34;
(4)1400s后,列车驶入水平开阔地段减速直至停车。1400≤t<2000s时,系统参数为:a4=8.63×10-3KN,b4=7.295×10-6KNs/m,c4=1.12×10-6KNs2/m2,θ4=0°,D4=0。
步骤2、针对高速列车健康模型,注入干扰:
初始条件为x(0)=[0 0]T,参数初始估计值为标称值的90%,自适应律的增益值为2。
步骤3、针对高速列车参数化执行器故障模型,考虑16个电机中某一个电机发生故障,一开始为常值故障,再演变为时变故障,最后电机完全停止工作。故障信号Fα,α∈{1...16}描述为:
Fβ=νβ,β≠α,β∈{1...16}。
初始条件为x(0)=[-0.5 0]T,参数初始估计值为标称值的80%,自适应律的增益值为2;
步骤4、针对高速列车非参数化执行器故障模型,选择非参数化部分为且不被考虑为基础信号。故障形式为:
Fβ=νβ,β≠α,β∈{1,2,3,4}。
初始条件为x(0)=[0 0]T,参数初始估计值为标称值的90%,自适应律的增益值为2。
步骤5、针对高速列车参数化故障且干扰上界未知的情况,故障形式和步骤3中的故障形式相同:
Fβ=νβ,β≠α,β∈{1...16}。
干扰形式为:
在仿真过程中,干扰的界限未知。初始条件为x(0)=[-0.5 0]T,参数初始估计值为标称值的90%,自适应律的增益值为2。
步骤6、将得到的状态空间模型导入到Matlab/Simulink中,并在Simulink中建立列车牵引系统仿真模型,仿真时长为2000秒。列车健康系统含界限已知干扰的分段模型的位移跟踪图如图2所示。
由图3(a)、(b)、(c)、(d)可知本发明的方法可以有效的实现高速列车在干扰下的执行器故障补偿,保证故障下的位置跟踪,有效地解决了未知参数,非参数化故障,干扰未知等情况下的故障补偿及其工程实用问题,这对于高速列车执行器故障的实时补偿具有重要的意义。
本发明的有益效果是:
本发明除了提供了列车健康状态下的模型,同时针对高速列车出现参数化执行器故障、非参数化执行器故障以及干扰界限未知等情况,建立了多种列车模型,其中,考虑列车变化的运行条件及复杂的轮轨粘着系数,采用含分段常数模型来描述列车执行器发生故障时的列车纵向运动,相比现有的常系统参数或有界变系统参数,能够更加完整的体现系统的动态特征;本发明在列车模型的基础上,分别设计了相匹配的自适应补偿控制器和自适应律,自适应补偿控制器和自适应律能够通过控制当前时刻的状态量跟踪期望位移,从而最终实现高速列车位置跟踪。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。
Claims (6)
1.高速列车执行器自适应故障补偿位置跟踪方法,其特征在于,包括如下步骤:
采集列车运行参数,根据所述参数从列车模型集合中选择出匹配的列车模型,以及对应的自适应补偿控制器和自适应律;
所述匹配的列车模型加载所述对应的自适应补偿控制器和自适应律;
所述对应的自适应补偿控制器和自适应律使得当前时刻的状态量跟踪期望位移。
2.根据权利要求1所述的方法,其特征在于,所述列车模型集合包括:健康模型、参数化故障模型、非参数化故障模型、干扰界限未知的故障模型。
3.根据权利要求2所述的方法,其特征在于,所述健康模型为:
其中,x1(t)是列车的位移,x2(t)是列车的运行速度,是列车的运行加速度,g是重力加速度,m(t)是列车的质量系数,F(t)是列车牵引力,a(t)是列车的滚动阻力,b(t)是与列车速度有关的线性阻力系数,c(t)是与列车速度相关的非线性阻力系数,是斜面轨道的倾斜角的正弦,D(t)指曲线轨道的曲率度,表示未建模的干扰,参数m(t)、a(t)、b(t)、c(t)、、D(t)、为分段函数,记为
mi、ai、bi、ci、、Di为未知常数,为有界干扰,χi(t)是指示函数,定义为:
其中,Ω是列车运行中所有可能的系统状态的阈值,共划分为l个分区Ωi,i=1...l;
位移跟踪误差z1(t)为:
z1(t)=x1(t)-xm(t)
其中,z1(t)是列车的位移跟踪误差,x1(t)是列车的位移,xm(t)是期望位移;
引入参数z2(t)
z2(t)=x2(t)-α1(t)
其中,α1(t)是设计的方程,r1为常参数且r1>0,由列车健康模型和位移跟踪误差可得:
其他参数估计误差包括:
是参数ai,bi,ci,,Di的估计值,是参数ρi=1/mi的估计值;
在所述健康模型中,参数的自适应律如下:
其中,r2>0,
参数Γai,Γbi,Γci,,ΓDi,Γmi为正的常数,
健康模型自适应控制器结构为:
其中,v1di(t)是设计量,用于补偿未建模干扰di(t)以保证系统的稳定性和跟踪性,
是参数mi的已知下限: 是设计的参数,满足
根据Lyapunov稳定理论,无故障时控制器状态估计误差一致稳定,其解一致有界。
4.根据权利要求2所述的方法,其特征在于,所述参数化故障模型为,
其中,x3(t)是列车发生参数化故障情况下的位移,x4(t)是列车发生参数化故障情况下的运行速度,是列车发生参数化故障情况下的运行加速度,g是重力加速度,m(t)是列车的质量系数,F(t)是列车牵引力,a(t)是列车的滚动阻力,b(t)是与列车速度有关的线性阻力系数,c(t)是与列车速度相关的非线性阻力系数,是斜面轨道的倾斜角的正弦,D(t)指曲线轨道的曲率度,表示未建模的干扰,参数m(t)、a(t)、b(t)、c(t)、、D(t)、为分段函数,记为
mi、ai、bi、ci、、Di为未知常数,为有界干扰,χi(t)是指示函数,定义为:
其中,Ω是列车运行中所有可能的系统状态的阈值,共划分为l个分区Ωi,i=1...l;
是由基础信号组成的向量,kν是故障模式参数,ξ为幅值,kν、ξ和决定哪些执行器发生了故障及发生何种类型的故障:发生故障前,kν=n,ξ=0;执行器发生故障时,kν,ξ为未知常数,ν1(t)为根据故障补偿设计的参数化故障模型控制信号;
位移跟踪误差为z3(t):
z3(t)=x3(t)-xm(t)
其中,z3(t)是列车发生参数化故障情况下的位移跟踪误差,x3(t)是列车发生参数化故障情况下的位移,xm(t)是期望位移;
引入参数z4(t)
z4(t)=x4(t)-α2(t)
其中,α2(t)是设计的方程,r3为常参数且r3>0,由列车参数化故障模型和位移跟踪误差可得:
其他参数估计误差包括:
是参数ξ,ai,bi,ci,,Di的估计值,是参数ρi=1/mikv的估计值;
在所述参数化故障模型中,参数 的自适应律为:
其中,r4>0,
参数γξ、γai、γbi、γci、、γDi、γmi为正的常数;
所述参数化故障模型控制信号ν1(t)为:
其中,v2di(t)是设计量,用来补偿未建模的干扰di(t)以满足系统的稳定性和跟踪性, 是参数mi已知的下限: 是设计的参数满足
根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界。
5.根据权利要求2所述的方法,其特征在于,所述非参数化故障模型为:
其中,x5(t)是列车发生非参数化故障情况下的位移,x6(t)是列车发生非参数化故障情况下的运行速度,是列车发生非参数化故障情况下的运行加速度,g是重力加速度,m(t)是列车的质量系数,F(t)是列车牵引力,a(t)是列车的滚动阻力,b(t)是与列车速度有关的线性阻力系数,c(t)是与列车速度相关的非线性阻力系数,是斜面轨道的倾斜角的正弦,D(t)指曲线轨道的曲率度,表示未建模的干扰,参数m(t)、a(t)、b(t)、c(t)、、D(t)、为分段函数,记为
mi、ai、bi、ci、、Di为未知常数,为有界干扰,χi(t)是指示函数,定义为:
其中,Ω是列车运行中所有可能的系统状态的阈值,共划分为l个分区Ωi,i=1...l;
是由基础信号组成的向量,是未知有界非参数化的项,kν是故障模式参数,ξ为幅值,kν、ξ和决定哪些执行器发生了故障及发生何种类型的故障:执行器发生故障时kν,ξ为未知常数,且发生故障前kν=n,ξ=0,n为所述执行器的个数,n为正整数;当故障发生时,ν2(t)为根据故障补偿设计的非参数化故障模型控制信号,
所述非参数化故障模型控制信号ν2(t)为:
其中,v1sj(t)和v3di(t)是设计量,被设计用来补偿未知参数和以满足系统的稳定性和跟踪性,xm(t)是期望位移,
信号v1sj(t)和v3di(t)为设计量:
其中,和是参数kv和mikv已知的下限: 是设计的参数满足
在所述非参数化故障模型中,参数 的自适应律为:
其中,r6>0,
参数γξ、γai、γbi、γci、、γDi、γmi为正的常数;
根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界。
6.如权利要求2所述的方法,其特征在于,所述干扰界限未知的故障模型为:
其中,x7(t)是列车在干扰界未知的情况下发生参数化故障的位移,x8(t)是列车在干扰界未知的情况下发生参数化故障的运行速度,是列车在干扰界未知的情况下发生参数化故障的运行加速度,g是重力加速度,m(t)是列车的质量系数,F(t)是列车牵引力,a(t)是列车的滚动阻力,b(t)是与列车速度有关的线性阻力系数,c(t)是与列车速度相关的非线性阻力系数,是斜面轨道的倾斜角的正弦,D(t)指曲线轨道的曲率度,表示未建模的干扰,参数m(t)、a(t)、b(t)、c(t)、、D(t)、为分段函数,记为
mi、ai、bi、ci、、Di为未知常数,为有界干扰,χi(t)是指示函数,定义为:
其中,Ω是列车运行中所有可能的系统状态的阈值,共划分为l个分区Ωi,i=1...l;
是由基础信号组成的向量,kν是故障模式参数,ξ为幅值,kν,ξ和决定哪些执行器发生了故障及发生何种类型的故障:执行器发生故障前,kν=n,ξ=0;执行器发生故障时,kν,ξ为未知常数,ν3(t)为根据故障补偿设计的干扰界限未知故障模型的控制信号;
所述干扰界限未知的故障模型的自适应律为:
其中,是参数ξ,ai,bi,ci,,Di,的估计值,是参数ρi=1/mikv的估计值,是未知参数满足γξ,Γai,Γbi,Γci,,ΓDi, Γmi为正值;
所述干扰界限未知故障模型的控制信号ν3(t)为:
其中,v4di(t)为设计量,被用来补偿未建模的干扰di(t), 是参数mi已知的下限:
根据Lyapunov稳定理论,执行器发生参数化故障时,控制器状态估计误差一致稳定,其解一致有界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810097016.7A CN108490766B (zh) | 2018-01-31 | 高速列车执行器自适应故障补偿位置跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810097016.7A CN108490766B (zh) | 2018-01-31 | 高速列车执行器自适应故障补偿位置跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108490766A true CN108490766A (zh) | 2018-09-04 |
CN108490766B CN108490766B (zh) | 2024-07-09 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375510A (zh) * | 2018-11-14 | 2019-02-22 | 南京航空航天大学 | 一种用于高速列车的自适应滑模容错控制方法 |
CN115837899A (zh) * | 2023-02-16 | 2023-03-24 | 华东交通大学 | 动车组制动系统的多模型自适应故障补偿控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014136151A (ja) * | 2013-01-17 | 2014-07-28 | Kochi Univ Of Technology | 座位歩行訓練機の適応制御法 |
CN105511268A (zh) * | 2016-01-07 | 2016-04-20 | 北京交通大学 | 一种针对列车执行器故障的复合控制方法 |
CN106970528A (zh) * | 2017-04-06 | 2017-07-21 | 北京交通大学 | 一种针对列车执行器失效故障的自适应反步容错控制方法 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014136151A (ja) * | 2013-01-17 | 2014-07-28 | Kochi Univ Of Technology | 座位歩行訓練機の適応制御法 |
CN105511268A (zh) * | 2016-01-07 | 2016-04-20 | 北京交通大学 | 一种针对列车执行器故障的复合控制方法 |
CN106970528A (zh) * | 2017-04-06 | 2017-07-21 | 北京交通大学 | 一种针对列车执行器失效故障的自适应反步容错控制方法 |
Non-Patent Citations (4)
Title |
---|
ZEHUI MAO 等: "Adaptive Compensation of Traction System Actuator Failures for High-Speed Trains", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
ZEHUI MAO 等: "Adaptive Position Tracking Compensation for High-Speed Trains with Actuator Failures", 《20TH WORLD CONGRESS OF THE INTERNATIONAL-FEDERATION-OF-AUTOMATIC-CONTROL (IFAC)》 * |
ZEHUI MAO 等: "Adaptive Position Tracking Control of High-speed Trains with Piecewise Dynamics", 《2017 AMERICAN CONTROL CONFERENCE》 * |
朱斌: "《自抗扰控制入门》", 31 May 2017, 北京航空航天大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375510A (zh) * | 2018-11-14 | 2019-02-22 | 南京航空航天大学 | 一种用于高速列车的自适应滑模容错控制方法 |
CN109375510B (zh) * | 2018-11-14 | 2021-02-19 | 南京航空航天大学 | 一种用于高速列车的自适应滑模容错控制方法 |
CN115837899A (zh) * | 2023-02-16 | 2023-03-24 | 华东交通大学 | 动车组制动系统的多模型自适应故障补偿控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mao et al. | Adaptive compensation of traction system actuator failures for high-speed trains | |
CN102649438B (zh) | 轨道交通列车运行路径的制动点确定方法 | |
CN101339406B (zh) | 一种自适应控制器及方法 | |
CN104155968B (zh) | 一种针对高速列车悬架系统执行器的微小故障诊断方法 | |
CN111169513B (zh) | 面向乘客舒适性的多自动驾驶列车分布式协同控制方法 | |
CN109375510A (zh) | 一种用于高速列车的自适应滑模容错控制方法 | |
CN109204390B (zh) | 一种基于深度学习的列车控制方法 | |
Mao et al. | Adaptive actuator compensation of position tracking for high-speed trains with disturbances | |
CN103303766B (zh) | 一种直线电梯的磁悬浮导向系统稳定运行的控制方法 | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN112859867A (zh) | 一种基于多拖轮协同的船舶靠离泊控制系统和方法 | |
CN110281987B (zh) | 基于状态约束的列车速度跟踪控制方法 | |
Luo et al. | Immersion and invariance based robust adaptive control of high‐speed train with guaranteed prescribed performance bounds | |
CN112782978B (zh) | 一种基于自触发机制的高速列车巡航运行控制方法 | |
CN108490766A (zh) | 高速列车执行器自适应故障补偿位置跟踪方法 | |
Cai et al. | Uniform rolling-wear-based robust adaptive control of high-speed trains in the presence of actuator differences | |
CN103777521B (zh) | 一种基于模糊控制的车辆低速控制方法 | |
CN113428195B (zh) | 列车自动控制方法及装置 | |
Yin et al. | Balise arrangement optimization for train station parking via expert knowledge and genetic algorithm | |
CN108490766B (zh) | 高速列车执行器自适应故障补偿位置跟踪方法 | |
Li et al. | Model-free adaptive robust control method for high-speed trains | |
JP2018121455A (ja) | 走行制御装置、走行制御方法、および走行制御システム | |
CN114326646B (zh) | 一种高速列车有限时间自适应协调控制方法及系统 | |
Mao et al. | Adaptive position tracking control of high-speed trains with piecewise dynamics | |
Cai et al. | Traction/Braking Control of High Speed Trains Based Active Antiskid Constraints |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |