CN109799702A - 一种轨道交通车辆的粘着控制方法及系统 - Google Patents

Abstract

本发明提供一种轨道交通车辆的粘着控制方法，其包括以下步骤：采集轨道交通车辆的实时速度数据，并对实时速度数据进行处理以得到处理速度数据；将实时速度数据以及处理速度数据送入自回归滑动平均数学模型进行模型参数的估计，得到模型参数估计的结果；将模型参数估计的结果进行自适应处理，以得到修正指标以及最优输出转矩；对修正指标以及最优输出转矩进行修正，以得到修正后的最优输出转矩，并将修正后的最优输出转矩输出至轨道交通车辆的牵引系统，用以控制轨道交通车辆。本发明提供的轨道交通车辆的粘着控制方法及系统不需要考虑牵引传动系统以及非线性轮轨系统。并且，能够快速跟踪实际粘着系数的变化情况，实现对粘着控制输出的快速平稳。

Description

一种轨道交通车辆的粘着控制方法及系统

技术领域

本发明涉及列车控制领域，具体地说，涉及一种轨道交通车辆的粘着控制方法及系统。

背景技术

在国内外轨道交通领域应用中，大部分采用根据蠕滑速度和加速度的组合式控制方案，由于其算法简单可靠、反应速度快，得到广泛的应用。但是提前设定蠕滑速度和加速度的阀值，存在后保护和过卸载的问题。并且固定的阀值不适合所有的工况，参数调试困难，在有些工况下不但粘着利用率差，并且造成车辆动态性能的恶化和踏面损耗。

现代粘着控制方法中主要有蠕滑速度法、粘着斜率法，相位移法。粘着控制系统的控制对象轮轨传动机构，具有非线性、参数时变性的特点，并且在工作的过程中，含有复杂的扰动、以及信号采样的延迟。这些造成了上述算法在信号处理、控制指标的优化等许多方面存在困难。

因此，为了能够更好的控制列车，急需一种轨道交通车辆的粘着控制方法及系统。

发明内容

为解决上述问题，本发明提供了一种轨道交通车辆的粘着控制方法，所述方法包括以下步骤：

采集所述轨道交通车辆的实时速度数据，并对所述实时速度数据进行处理以得到处理速度数据；

将所述实时速度数据以及所述处理速度数据送入自回归滑动平均数学模型进行模型参数的估计，得到模型参数估计的结果；

将所述模型参数估计的结果进行自适应处理，以得到修正指标以及最优输出转矩；

对所述修正指标以及所述最优输出转矩进行修正，以得到修正后的最优输出转矩，并将所述修正后的最优输出转矩输出至所述轨道交通车辆的牵引系统，用以控制所述轨道交通车辆。

根据本发明的一个实施例，对所述实时速度数据进行处理以得到处理速度数据的步骤进一步包括：

对所述实时速度数据进行滤波处理，以滤除干扰数据；

将进行滤波处理后的实时速度数据进行微分处理，以得到所述处理速度数据。

根据本发明的一个实施例，所述实时速度数据包含：轮缘速度、蠕滑速度、轮对加速度以及蠕滑加速度，所述处理速度数据包含蠕滑速度微分信息、轮对加速度微分信息以及蠕滑加速度微分信息。

根据本发明的一个实施例，将所述实时速度数据以及所述处理速度数据送入自回归滑动平均数学模型进行模型参数的估计的步骤进一步包括：

采用估计算法对所述自回归滑动平均数学模型进行模型参数的估计，其中，所述估计算法包含最小二乘法、极大似然法以及梯度校正法。

根据本发明的一个实施例，所述方法还包括：

对所述模型参数估计的结果进行模型参数转换处理，以得到转换后的模型参数估计结果，并对所述转换后的模型参数估计结果进行自适应处理。

根据本发明的一个实施例，所述自回归滑动平均数学模型的数量为正整数。

根据本发明的一个实施例，当所述自回归滑动平均数学模型的数量不为一时，通过加权调节器对所述修正指标以及所述最优输出转矩进行修正。

根据本发明的另一个方面，还提供了一种轨道交通车辆的粘着控制系统，其特征在于，所述系统包括：

信号采集处理模块，其用于采集所述轨道交通车辆的实时速度数据，并对所述实时速度数据进行处理以得到处理速度数据；

模型参数估计模块，其用于将所述实时速度数据以及所述处理速度数据送入自回归滑动平均数学模型进行模型参数的估计，得到模型参数估计的结果；

自适应控制器，其用于将所述模型参数估计的结果进行自适应处理，以得到修正指标以及最优输出转矩；

修正调节器，其用于对所述修正指标以及所述最优输出转矩进行修正，以得到修正后的最优输出转矩，并将所述修正后的最优输出转矩输出至所述轨道交通车辆的牵引系统，用以控制所述轨道交通车辆。

根据本发明的一个实施例，所述信号采集处理模块包含：

采集单元，其用于采集所述轨道交通车辆的实时速度数据；

滤波单元，其用于对所述实时速度数据进行滤波处理，以滤除干扰数据；

微分单元，其用于将进行滤波处理后的实时速度数据进行微分处理，以得到所述处理速度数据。

根据本发明的一个实施例，所述模型参数估计模块包含：

估计算法单元，其用于对所述自回归滑动平均数学模型进行模型参数的估计，其中，进行模型参数估计的算法包含最小二乘法、极大似然法以及梯度校正法。

本发明提供的轨道交通车辆的粘着控制方法及系统基于受控自回滑动平均模型对控制系统进行解耦建模，不需要考虑牵引传动系统及复杂多变的非线性轮轨系统。并且，通过输入和输出对建模参数进行辨识优化，实现自适应最优控制，能够快速跟踪实际粘着系数的变化情况，实现对粘着控制输出的快速平稳。另外，本发明通过多模型并行控制，通过加权控制策略，能够保证在粘着系数突变情况下的迅速调节过程，也能保证在粘着系数微小变化时的平稳调节。

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显示了根据本发明的一个实施例的轨道交通车辆的粘着控制方法流程图；

图2显示了粘着系数与蠕滑速度之间关系的粘着特性曲线图；

图3显示了根据本发明的一个实施例的轨道交通车辆的粘着控制系统结构框图；以及

图4进一步显示了根据本发明的一个实施例的轨道交通车辆的粘着控制系统的详细结构框图。

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，以下结合附图对本发明实施例作进一步地详细说明。

图1显示了根据本发明的一个实施例的轨道交通车辆的粘着控制方法流程图。

在本发明中，控制对象主要包含牵引电机、传动机构和轮轨接触系统，虽然在电磁转化和力矩传动过程中，存在大量的谐波和震动扰动，但是和轮轨粘着关系相比还是较小，本发明将此处的扰动归结为噪声，把电机看作理想电机，减速机构看作无质量和阻尼的原件。

轮轨系统之间接触形变并传递力矩的过程中，既存在纯滚动又存在滑动。这种接触面间在传递力矩过程中的微量滑动，即所谓的“蠕滑”。蠕滑是动力轮的正常滑动，轮轨间的切向力正是依靠蠕滑产生的摩擦而传递。因为蠕滑的存在，动轮滚动的圆周速度V_w与车体水平前进速度V有一定的差异，它们之间的速度差称之为蠕滑速度。

根据Kuller的接触学理论，一定程度的蠕滑速度对增加粘着力是有利的，过大的蠕滑速度就是空转/滑行了，对粘着力发挥十分有害。空转和滑行是两种类似的过程，但是蠕滑速度的方向刚好相反，下文都是以在牵引工况下的空转为例。

根据相对运动定义为：

V_s＝V_w-V (1)

一般轮轨间传递切向力的能力称为粘着系数，粘着系数由如下公式定义：

轨道交通车辆运动方程：

电机运动方程：

上述公式符号的意义：V_s表示蠕滑速度；V表示车辆线速度；μ表示粘着系数；M_axle表示轴重；F表示轮缘力；F_f表示车辆阻力；V_w表示轮缘线速度，且ω_m表示电机角速度；R表示轮对半径；R_g表示齿轮传动比；M表示车辆重量；J_m表示轮对和电机折算到电机侧的转动惯量；g表示重力加速度；T_m表示电机输出转矩。

根据以上叙述，为了对轨道交通车辆的运行速度进行了解进而控制轨道交通车辆的运行状态，在步骤S101中，采集轨道交通车辆的实时速度数据，并对实时速度数据进行处理以得到处理速度数据。实时速度数据包含轮缘速度、蠕滑速度、轮对加速度以及蠕滑加速度。这些实时速度数据能够反映轨道交通车辆的运行速度情况也能反映轨道交通车辆的蠕滑情况。

处理过程包含滤波以及微分，滤波就是对实时速度数据进行滤波处理，以滤除干扰数据。微分就是将进行滤波处理后的实时速度数据进行微分处理，以得到处理速度数据。处理速度数据包含蠕滑速度微分信息、轮对加速度微分信息以及蠕滑加速度微分信息。

接着，在步骤S102中，将实时速度数据以及处理速度数据送入自回归滑动平均数学模型进行模型参数的估计，得到模型参数估计的结果。

为了建立自回归滑动平均数学模型，需要掌握粘着力与蠕滑速度的关系，如图2所示，粘着力的传递随着蠕滑速度的增加有着一个明显的先增加后减小的类二次曲线的关系，并且在不同工况下，特性曲线会发生剧烈改变。当粘着力转矩超过“粘着极限”，此时蠕滑速度迅速增大，此时称之为空转。

μ-V_s关系表示为：

其中，a、b、c、d的值取决于轨道表面的条件，通常情况下a<b。下面选用三种参数表示三种典型路况，参数如表1：

表1各路况粘着特性曲线参数

路况	a	b	c	d	(V<sub>s_max</sub>,μ<sub>max</sub>)
						1	0.54	1.2	1.2	1.2	(1.21，0.3434)
2	0.27	0.83	0.5	0.5	(2.00，0.1963)
						3	0.186	0.54	0.4	0.4	(3.00，0.1487)

为了描述图2所示的粘着力的非线性特性，需要建立模型来描述。多个叠加起来的线性模型可以用来描述非线性系统，对每个模型的控制输出通过切换、融合的方法进行自适应控制。

下面对粘着控制对象进行分析，建立两个模型解决本发明中的非线性问题。其中，两个模型分别是自回归滑动平均数学模型A以及自回归滑动平均数学模型B。

根据式2至式4，可以得到：

由式1和式6，并忽略阻力可以得到下式7：

令一般非线性模型的采用泰勒公式在工作点V_s＝V_{s_k}的邻域U进行线性化，可得：

在令的条件下，由式8可以得到：

K₁T_m＝K₂μ(V_{s_k})+K₂μ’(V_{s_k})V_s (9)

式9就是当时候的粘着系数与输出转矩之间的方程，可以看到T_m和V_s的关系是线性的。这个方程可以认为是稳态方程。当轨道交通车辆没有发生空转，可以认为粘着力矩和电机输出力矩相等，轨道交通车辆在稳态中运行。

根据式8，当控制目标为的时候，可以获得在邻域U内蠕滑速度微分关于T_m和V_s的线性方程。当y发生剧烈改变，可以说粘着力矩和电机输出力矩差异较大，轨道交通车辆处于动态过程，此时可以利用控制目标y_ref＝0通过最优控制让轨道交通车辆过度到稳态。

根据最优控制算法，稳定点容易继续向着最稳定方向移动，获得更小的控制方差。即仅考虑动态过程时，当电机输出力矩为0的时候方差最小。而粘着控制的目的是获得最大可用粘着力，所以在多模型粘着控制中，需要对动态过程和静态过程综合考虑，通过动态方程迫使系统迅速过渡到稳态(也就迅速抑制空转/滑行)，然后调节稳态模型到达最优控制点，发挥最大粘着的稳定点。

根据式9，在的稳态条件下，可以建立轮缘速度和转矩之间的自回归滑动平均数学模型A。

A₁(z^-1)y₁(k)＝z^-dB₁(z^-1)u₁(k)+C₁(z^-1)ξ₁(k) (10)

其中：

A₁(z^-1)＝1+a₁₁z^-1+a₁₂z^-2+a₁₃z^-3+…+a_1nz^-n

B₁(z^-1)＝b₁₀+b₁₁z^-1+b₁₂z^-2+b₁₃z^-3+…+b_1nbz^-nb (11)

C₁(z^-1)＝c₁₀+c₁₁z^-1+c₁₂z^-2+c₁₃z^-3+…+b_1ncz^-nc

其中：b₁₀≠0；y₁＝V_w；u₁＝T_m(k)，d是控制延时，ξ₁(k)为噪声。

当y≠0的时候，控制目标为y_ref＝0，控制对象处于动态过程，根据式8，可以建立蠕滑速度微分和转矩之间的自回归滑动平均数学模型B：

A₂(z^-1)y₂(k)＝z^-dB₂(z^-1)u₂(k)+C₂(z^-1)ξ₂(k) (12)

其中：

A₂(z^-1)＝1+a₂₁z^-1+a₂₂z^-2+a₂₃z^-3+…+a_2nz^-n

B₂(z^-1)＝b₂₀+b₂₁z^-1+b₂₂z^-2+b₂₃z^-3+…+b_2nbz^-nb (13)

C₂(z^-1)＝c₂₀+c₂₁z^-1+c₂₂z^-2+c₂₃z^-3+…+b_2ncz^-nc

其中：b₁₀≠0；u₂＝T_m(k)，d是控制延时，ξ₂(k)为噪声。

式10和式12分别表示自回归滑动平均数学模型A以及自回归滑动平均数学模型B，自回归滑动平均数学模型A代表稳态条件，自回归滑动平均数学模型B代表动态条件。

建立了两个模型后，就可以将步骤S101中采集的数据送入到两个模型中进行模型参数的估计。可以采用间接广义最小方差，不直接使用控制对象模型，采用参数估计的方式进行模型估计。

根据公式10、公式11公式12以及公式13对模型A以及模型B进行参数估计。利用最小二乘法进行参数计算，将模型写成最小二乘的形式：

其中：

为前面一定周期内的输出y、输入u、噪声ξ组成的矩阵，θ为中对应系数组成的矩阵，即需要求解的值。

因为中的噪声ξ(k)不可测，所以使用其估计值代替，即

其中：

为θ的估计值且可取或

利用递推增广最小二乘，可以获得最优参数估计，计算过程如下式16。设置初值θ(0)和P(0)，可以求解模型系数。

其中，P(k)为协方差，K(k)为增益矩阵。

由式16带入可得静态估计模型A和动态估计模型B的估计参数公式中的参数A、B、C。

如图2所示，粘着特性曲线存在极值点，当轨道交通车辆运用在粘着力曲线1上的极值点附近时，轨面状态发生变化，粘着力曲线1下降变为粘着力曲线2时，电机输出力瞬间超过了轮轨允许的最大粘着力，二者之间的能量差完全作用到轮对上，导致蠕滑速度的微分迅速增加，这是一个正反馈过程。

本发明提供的系统主要依赖动态过程调节，迫使系统迅速进入稳态，也就是搜索曲线2上的一个稳态点，此时电机的输出转矩迅速下降，直到电机的输出转矩换算的轮缘力小于粘着力，蠕滑速度的微分迅速开始减小为负值，电机输出力矩增加，如此往复衰减。当达到稳态，也就是基本等于0的时候，此时蠕滑速度可能不是在最优点上，控制系统切换到稳态控制方式，调节V_s达到最优控制点V_{s_max}。

需要说明的是，除了最小二乘法外，本发明还可以使用其他方式进行参数估计，例如梯度校正法以及极大似然法，除以上提到的三种方法，其他能够进行参数估计的方法也可以运用到本发明中。另外，本发明中模型的数量为正整数，除了双模型外，还可以建立单模型或是三模型，本发明不对此做出限制。

经过模型参数调节后，接下来，在步骤S103中，将模型参数估计的结果进行自适应处理，以得到修正指标以及最优输出转矩。

根据模型A和B，基于k时刻和以前时刻的输入输出数据得到k+d时刻的预测输出，记作输出误差记作

使得如下指标最小的最优d步预测输出为：

y^*(k+d|k)＝(G(z^-1)y(k)+F(z^-1)u(k))/C(z^-1) (17)

其中：

且

式18为丢番图方程，求解该方程，可得E，F，G的值。

考虑到使系统的输出能跟踪给定的伺服输入项，以及对控制作用加以约束以避免使控制作用变化剧烈并使该控制方案能适用于非最小相位系统，自适应控制器的指标函数为：

J＝E{[P(z^-1)y(k+d)-R(z^-1)y_r(k+d)]²+[Q(z^-1)u(k)]²} (20)

y(k+d)，y_r(k+d)系统的实际输出和期望输入。u(k)为第k时刻的控制量。P(z^-1)，R(z^-1)，Q(z^-1)分别为对实际输出、期望输出和控制输入的加权多项式：

上述多项式可以根据实际需要进行设置。

u(k)的输出为：

其中，C为参数估计而来的系数多项式；P、R、Q为设置多项式；G、F为求解丢番图公式18得出的解。

根据式17以及式22，就可以求得广义最小方差下的控制输入u(k)。带入式22，即可得到分别对应模型A以及模型B的自适应控制器1和自适应控制器2的输出。其中，自适应控制器1和自适应控制器2输出的参数包含修正指标以及最优输出转矩。

最后，在步骤S104中，对修正指标以及最优输出转矩进行修正，以得到修正后的最优输出转矩，并将修正后的最优输出转矩输出至轨道交通车辆的牵引系统，用以控制轨道交通车辆。

在本发明的一个实施例中，根据模型A和B，两个自适应控制器的输出通过加权策略进行融合，这是一种并行结构，加权系数的总和为1。二者的加权可以利用模糊推理的隶属度来求取，本文使用高斯函数作为隶属度有：

其中，μ_i为第i个模型的隶属度。(y-y_r)²为输出信号和给定信号的方差，σ²为一段时间的(y-y_r)²的方差估计。对(y-y_r)²滑动平均滤波进行σ²的计算。

加权多模型方法本质上是一种软切换，因而切换过程相对平滑，对执行机构的损伤小，系统的输出也不会出现大的跳跃。

在本发明中，有两个模型，对于每个模型，输出的权重大则在总输出中占比例的高。每个模型输出在总输出的加权值如下：

通过图1中显示的四个步骤，就能够实现对轨道交通车辆的粘着控制，本发明基于受控自回滑动平均模型对控制系统进行解耦建模，不需要考虑牵引传动系统及复杂多变的非线性轮轨系统。并且，通过输入和输出对建模参数进行辨识优化，实现自适应最优控制，能够快速跟踪实际粘着系数的变化情况，实现对粘着控制输出的快速平稳。另外，本发明通过多模型并行控制，通过加权控制策略，能够保证在粘着系数突变情况下的迅速调节过程，也能保证在粘着系数微小变化时的平稳调节。

图3显示了根据本发明的一个实施例的轨道交通车辆的粘着控制系统结构框图。如图3所示，系统包含信号采集处理模块301、模型参数估计模块302、自适应控制器303以及修正调节器304。其中，信号采集处理模块301包含采集单元3011、滤波单元3012以及微分单元3013。模型参数估计模块302包含估计算法单元3021。修正调节器304包含加权调节单元3041。

如图3所示，信号采集处理模块301用于采集轨道交通车辆的实时速度数据，并对实时速度数据进行处理以得到处理速度数据。其中，采集单元3011用于采集轨道交通车辆的实时速度数据。滤波单元3012用于对实时速度数据进行滤波处理，以滤除干扰数据。微分单元3013用于将进行滤波处理后的实时速度数据进行微分处理，以得到处理速度数据。

另外，模型参数估计模块302用于将实时速度数据以及处理速度数据送入自回归滑动平均数学模型进行模型参数的估计，得到模型参数估计的结果。其中，估计算法单元3021用于对自回归滑动平均数学模型进行模型参数的估计，其中，进行模型参数估计的算法包含最小二乘法、极大似然法以及梯度校正法。

在本发明提供的轨道交通车辆的粘着控制系统中，自适应控制器303用于将模型参数估计的结果进行自适应处理，以得到修正指标以及最优输出转矩。修正调节器304用于对修正指标以及最优输出转矩进行修正，以得到修正后的最优输出转矩，并将修正后的最优输出转矩输出至轨道交通车辆的牵引系统，用以控制轨道交通车辆。其中，加权调节器3041用于当自回归滑动平均数学模型的数量不为一时，对修正指标以及最优输出转矩进行加权修正。

图4进一步显示了根据本发明的一个实施例的轨道交通车辆的粘着控制系统的详细结构框图。

对于本发明而言，控制对象主要包含牵引系统和轮轨系统相当于黑盒，在控制过程中不需要知道具体的模型物理关系，只关心控制输入和输出之间的关系。

如图4所示，信号采集处理模块301的主要功能是通过对车辆速度信息进行综合处理，获得轮缘速度、车辆基准速度、蠕滑速度和蠕滑速度微分信号，并进行滤波处理。在本发明中需要蠕滑速度和蠕滑速度微分信号参与控制，所以车辆的速度非常重要。

需要说明的是，本发明不限于依据蠕滑速度以及蠕滑速度微分两个参量进行数学建模，也可以使用轮对加速度、轮对加速度微分以及蠕滑加速度微分等进行自回归滑动平均数学模型的建立。

对于稳态的自回归滑动平均数学模型A，利用信号采集处理模块301处理后的轮缘速度V_w和控制量给定转矩T_m进入模型估计，通过一定的最优估计算法估计模型A。然后模型参数通过转换后，调节自适应控制器1。

自适应控制器1根据信号采集处理模块301反馈的轮缘速度V_w和给定跟随速度V+V_s(也可以写成V_{w_ref})，在最优性能指标下输出最优的控制转矩T_{m_1}和转矩加权调节指标轮缘速度方差。

对于动态模型B，其控制过程与静态模型A类似，根据式14，有在稳态条件下，有所以动态模型B中，蠕滑速度微分的跟随给定指标使系统最终由动态向稳态调节。在最优性能指标下输出最优的控制转矩T_{m_2}和转矩加权调节指标蠕滑速度微分方差。

经过两个模型的自适应调节后，得到各自最优的输出转矩，经加权调节器对T_{m_1}和T_{m_2}进行加权融合后，获得最终输出给牵引系统的给定转矩。

另外，对于模型A，还需要估计最优的蠕滑速度。当蠕滑速度微分和给定值的方差较大的时候认为是动态过程，此时空转剧烈，主要依赖蠕滑加速度控制。

令当k>k_ref，一般k_ref可以设置为0.8左右，具体根据实际情况进行调节，此时认为是动态过程。

当动态过程结束后，为动态过程的最优控制点，当前的蠕滑速度为V_s。模型1的给定为V_ref＝V+V_{s_ref}，可以令V_{s_ref}＝V_s。此时V_s不一定为当前工况的最大极值点蠕滑速度，但是一定是在V_{s_max}附近。在稳态阶段可以通过如下方法调整模型B的参考蠕滑速度V_{s_ref}。

在稳态条件下有根据式6可以得到

K₁T_m＝K₂μ(V_s) (25)

两端对蠕滑速度v_s进行微分得到：

假设在极值点的两侧的一个邻域内μ(V_s)＝aV_s+b。因此，式26可以写成：

因为K₂>0，令V_s增加V_{delta_s}(V_{delta_s}>0，且较小)，此时dV_s>0，根据dT_m的变化可以计算a的值。当a>0，当前V_{s_ref}在V_{s_max}的左侧，此时V_{s_ref}＝V_{s_ref}+V_{delta_s}。当a<0，当前V_{s_ref}在V_{s_max}的右侧，此时V_{s_ref}＝V_{s_ref}-V_{delta_s}。以此进行调节，控制V_{s_ref}在V_{s_max}附件，就能够获得最优蠕滑速度。

需要说明的是，一些应用场合下，通过非动力轮对速度信号、雷达速度信号进行处理，获取的车辆速度，这个速度基本认为是车辆的绝对速度(相对于地面的绝对速度)。但是很多时候，只能够通过动力轮对上是速度传感器获取车辆速度信号，所以不能直接获取车辆的绝对速度和蠕滑速度。对于这种情况，可以通过综合信号处理方法获取相对准确的相对车辆速度，为了排除干扰，下面论证相对车辆速度对本发明而言没有影响。

车辆在某一时刻的绝对速度为V_z，那么相对车辆速度V＝V_z+V_delta。V_delta可以认为是绝对车辆速度V_z的函数。可以写成V_delta＝f(V_z)，在t时刻车辆绝对速度为V_z(t)，在V_z(t)领域U中f(V_z)可微。蠕滑速度可以写成如下形式：

V_s＝V_w-(V_z+f(V_z(k))+f,(V_z(k))V_z) (28)

从式28可以看出，在一个特定时刻的邻域内，f(V_z(k))+f,(V_z(k))V_z≈f(V_z(k))为一个常数，相当于粘着特性曲线的y轴的右移。而本发明采用自适应控制算法，不直接和实际物理模型相关，坐标轴的移动对控制输出计算没有影响。y轴只能在[0 V_{s_max})内移动。因此，本发明不受相对车辆速度的影响。

本发明提供的轨道交通车辆的粘着控制方法及系统基于受控自回滑动平均模型对控制系统进行解耦建模，不需要考虑牵引传动系统及复杂多变的非线性轮轨系统。并且，通过输入和输出对建模参数进行辨识优化，实现自适应最优控制，能够快速跟踪实际粘着系数的变化情况，实现对粘着控制输出的快速平稳。另外，本发明通过多模型并行控制，通过加权控制策略，能够保证在粘着系数突变情况下的迅速调节过程，也能保证在粘着系数微小变化时的平稳调节。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

虽然本发明所公开的实施方式如上，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，在不脱离本发明所公开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，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种轨道交通车辆的粘着控制方法，其特征在于，所述方法包括以下步骤：

采集所述轨道交通车辆的实时速度数据，并对所述实时速度数据进行处理以得到处理速度数据；

将所述实时速度数据以及所述处理速度数据送入自回归滑动平均数学模型进行模型参数的估计，得到模型参数估计的结果；

将所述模型参数估计的结果进行自适应处理，以得到修正指标以及最优输出转矩；

对所述修正指标以及所述最优输出转矩进行修正，以得到修正后的最优输出转矩，并将所述修正后的最优输出转矩输出至所述轨道交通车辆的牵引系统，用以控制所述轨道交通车辆。

2.如权利要求1所述的轨道交通车辆的粘着控制方法，其特征在于，对所述实时速度数据进行处理以得到处理速度数据的步骤进一步包括：

对所述实时速度数据进行滤波处理，以滤除干扰数据；

将进行滤波处理后的实时速度数据进行微分处理，以得到所述处理速度数据。

3.如权利要求2所述的轨道交通车辆的粘着控制方法，其特征在于，所述实时速度数据包含：轮缘速度、蠕滑速度、轮对加速度以及蠕滑加速度，所述处理速度数据包含蠕滑速度微分信息、轮对加速度微分信息以及蠕滑加速度微分信息。

4.如权利要求1所述的轨道交通车辆的粘着控制方法，其特征在于，将所述实时速度数据以及所述处理速度数据送入自回归滑动平均数学模型进行模型参数的估计的步骤进一步包括：

采用估计算法对所述自回归滑动平均数学模型进行模型参数的估计，其中，所述估计算法包含最小二乘法、极大似然法以及梯度校正法。

5.如权利要求1所述的轨道交通车辆的粘着控制方法，其特征在于，所述方法还包括：

对所述模型参数估计的结果进行模型参数转换处理，以得到转换后的模型参数估计结果，并对所述转换后的模型参数估计结果进行自适应处理。

6.如权利要求1所述的轨道交通车辆的粘着控制方法，其特征在于，所述自回归滑动平均数学模型的数量为正整数。

7.如权利要求6所述的轨道交通车辆的粘着控制方法，其特征在于，当所述自回归滑动平均数学模型的数量不为一时，通过加权调节器对所述修正指标以及所述最优输出转矩进行修正。

8.一种轨道交通车辆的粘着控制系统，其特征在于，所述系统包括：

信号采集处理模块，其用于采集所述轨道交通车辆的实时速度数据，并对所述实时速度数据进行处理以得到处理速度数据；

模型参数估计模块，其用于将所述实时速度数据以及所述处理速度数据送入自回归滑动平均数学模型进行模型参数的估计，得到模型参数估计的结果；

自适应控制器，其用于将所述模型参数估计的结果进行自适应处理，以得到修正指标以及最优输出转矩；

修正调节器，其用于对所述修正指标以及所述最优输出转矩进行修正，以得到修正后的最优输出转矩，并将所述修正后的最优输出转矩输出至所述轨道交通车辆的牵引系统，用以控制所述轨道交通车辆。

9.如权利要求8所述的轨道交通车辆的粘着控制系统，其特征在于，所述信号采集处理模块包含：

采集单元，其用于采集所述轨道交通车辆的实时速度数据；

滤波单元，其用于对所述实时速度数据进行滤波处理，以滤除干扰数据；

微分单元，其用于将进行滤波处理后的实时速度数据进行微分处理，以得到所述处理速度数据。

10.如权利要求8所述的轨道交通车辆的粘着控制系统，其特征在于，所述模型参数估计模块包含：

估计算法单元，其用于对所述自回归滑动平均数学模型进行模型参数的估计，其中，进行模型参数估计的算法包含最小二乘法、极大似然法以及梯度校正法。