CN110155089A - 一种城轨列车动力学模型参数自动调整方法 - Google Patents

一种城轨列车动力学模型参数自动调整方法 Download PDF

Info

Publication number
CN110155089A
CN110155089A CN201910449434.2A CN201910449434A CN110155089A CN 110155089 A CN110155089 A CN 110155089A CN 201910449434 A CN201910449434 A CN 201910449434A CN 110155089 A CN110155089 A CN 110155089A
Authority
CN
China
Prior art keywords
train
traction
res
stage
parameter
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.)
Pending
Application number
CN201910449434.2A
Other languages
English (en)
Inventor
曹芳
唐涛
王康
赵帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201910449434.2A priority Critical patent/CN110155089A/zh
Publication of CN110155089A publication Critical patent/CN110155089A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61C—LOCOMOTIVES; MOTOR RAILCARS
    • B61C17/00—Arrangement or disposition of parts; Details or accessories not otherwise provided for; Use of control gear and control systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种城轨列车动力学模型参数自动调整方法，包括如下步骤：1)结合城轨列车运动的物理过程、列车控制器的特点以及列车运行数据的特点，建立了城轨列车动力学模型，将其分别为惰行阶段、低速牵引建立阶段、高速牵引建立阶段、牵引切除阶段、制动阶段；2)选择参数少、搜索速度快的果蝇优化算法进行参数辨识，实现城轨列车动力学模型参数的自动调整，该方法具有广泛的应用空间，并对工程实际具有一定的指导作用。

Description

一种城轨列车动力学模型参数自动调整方法
技术领域
本发明涉及城轨列车自动控制领域，具体涉及一种城轨列车动力学模型参数自动调整方法。
背景技术
近年来，随着我国经济的持续健康发展和城市化进程的加快，我国城市规模和城市人口持扩大态势；随着我国城市汽车保有量的急剧上升，特别是私家车拥有率的不断提高，城市公路交通体系越来越难以承受庞大的重负。因此，高度密集的城市居住人口和有限的道路空间资源现状，决定了我国要优先发展运量大、人均占用道路空间资源少、能耗和污染低的城市轨道交通系统。此外，轨道交通发展的区域轴心作用可引导城市形态的变化，有助于实现商贸的聚集效益，是特大城市及其交通可持续发展的首选方案。未来，随着我国城市人口数量的进一步不断增加，对城市轨道交通系统的需求仍将增大。这也掀起了中国各大城市地铁建设的热潮。
城市轨道交通领域的发展带领着铁路建设行业、城轨列车设计制造行业、信号设备供应商的飞速发展，越来越多的高校和研究所开始从事轨道交通行业基础研究和应用研究。铁路车辆的列车模型作为研究内容的基础和出发点，决定着研究成果的科学性和应用性，对铁路相关领域的研究发展具有极大的影响作用。在城轨铁路修建时，闭塞分区设计和选线设计需要结合列车的空气动力学特性和列车牵引制动特性；而城轨列车外形在设计初期就要结合列车的空气动力学。在新建地铁线上需要进行长时间的车载控制器的静态调试和动态调试，以完成对列车控制器参数的调整，保证运行时间和精确停车，因此城轨列车模型研究对于以上经济活动都有一定的指导作用。对于以列车自动驾驶为核心的城轨列车而言，在实验室环境下的列车的推荐速度曲线的计算更加依赖模型的精确。当下城市轨道交通各个领域的迅猛发展，需要以科学、严谨的方法来对城轨列车模型进分析和研究。
华东交通大学的衷路生教授、李兵等人基于极大似然算法对高速列车的非线性模型进行了研究(“高速列车非线性模型的极大似然辨识”,衷路生,李兵等，《自动化学报》,2014,12(40),2951-2975)，其提出的极大似然辨识方法适用于高速动车组在非高斯噪声干扰下的模型参数估计，其将高速列车的参数的极大似然估计问题转化为期望极大的优化问题。
北京交通大学的陈德旺教授、裴丽君等用遗传算法对城轨列车的运行模型特性进行了研究(“列控模型参数辨识及其在线学习算法研究”,裴丽君，北京交通大学，2010 年)，将列车运行分三个工况进行研究，分别建立了惰行、牵引、制动模型，基于实际列车运行数据对列车参数进行估计。
然而，纵观各学者对列车模型的研究，虽然他们采用了不同的参数估计方法，但是他们所建立了列车模型基本类似，对基本阻力参数的研究基本遵循戴维斯公式，将牵引、制动阶段时间统一化为系统传输延时T1和系统响应延迟T2，其所提出的列车模型对于列车运行过程虽然有着简单的刻画，但并没有仔细研究列车运行时的实际物理过程及列车设计制造时考虑的因素，比如在列车牵引时，不同速度下列车的牵引电机的效率、系统的各项时间参数不可能相同。另外，也将列车的牵引建立和牵引切除时系统的参数混为一谈，这对于列车模型的精准刻画是非常不利的。同时，以上研究人员并没有将列车的参数进行多次同一站间运行仿真验证，这种只对列车运行某一个阶段研究是不够全面的，这种做法常常会导致对列车模型认识的错误。
发明内容
本发明的目的在于克服现有技术的不足，提供一种城轨列车动力学模型参数自动调整方法，根据当前城轨列车模型研究现状，从列车运动和控制的物理原理入手，应用科学的算法对列车的基本阻力、牵引阶段时间参数、制动阶段时间参数，电机效率等14个参数进行研究，最后将关键参数代入列控模型中以验证模型和参数的研究效果，在给出列车动力学的完整模型及其参数研究的应用方法，使该方法具有广泛的应用空间，并对工程实际具有一定的指导作用。
本发明提供了一种城轨列车动力学模型参数自动调整方法，包括如下步骤：
1)结合城轨列车运动的物理过程、列车控制器的特点以及列车运行数据的特点，建立了城轨列车动力学模型，将其分别为惰行阶段、低速牵引建立阶段、高速牵引建立阶段、牵引切除阶段、制动阶段；
2)选择参数少、搜索速度快的果蝇优化算法进行参数辨识，实现城轨列车动力学模型参数的自动调整。
进一步地，列车惰行阶段的模型为：
Fres＝(Fb+Fs)·9.18·M/1000
带入基本公式则有：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
根据牛顿第二定律及运动方程有惰性阶段的动力模型：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000 -Fres＝Ma
v＝v'+aT
s＝s′+vT
其中Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度，单位为‰；a为合计加速度；v为列车速度；v’为上一时刻列车速度；s 为列车位移；s’为上一时刻列车位移；T为数据间隔时间。
进一步地，对于低速牵引建立阶段和高速牵引建立阶段采用三时间参数的模型，并同时计算牵引建立列车牵引电机效率；
进一步地，对低速牵引建立阶段和高速牵引建立阶段分别拟合，其中低速牵引建立阶段或高速牵引建立阶段的动力学模型如下式：
Ftra＝αv3+βv2+γv+ψ
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFtra-Fres＝Ma
v＝v'+arealT
s＝s'+vT
其中，Ftra为牵引力；α，β，γ，ψ为列车的牵引力公式中的参数；p为牵引电机的效率；Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度，单位为‰；areal为实际加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T1为牵引建立阶段系统传输时间参数；T2为牵引建立阶段系统响应时间参数；T3为牵引建立阶段系统舒适性时间参数； T为数据间隔时间。
进一步地，对牵引切除阶段采用两时间参数表征列车运行物理模型，并计算牵引切除下列车牵引电机效率。
进一步地，牵引切除阶段的动力学模型如下式：
Ftra＝αv3+βv2+γv+ψ
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFtra-Fres＝Ma
v＝v'+arealT
s＝s'+vT
其中，Ftra为牵引力；α，β，γ，ψ为列车的牵引力公式中的参数；p为牵引电机的效率；Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度，单位为‰；areal为实际加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T4为牵引切除阶段系统传输时间参数；T5为牵引切除阶段系统响应时间参数；T为数据间隔时间。
进一步地，制动阶段采用两时间参数表征列车运行物理模型，并同时计算制动状态下列车电机效率。
进一步地，列车制动阶段的动力学模型如下式：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFbra-Fres＝Ma
a＝at-ares
v＝v'+arealT
s＝s'+vT
其中，Fbra为牵引力；α，β，γ，ψ为列车的制动力公式中的参数；p为制动系数；Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数； slope为坡度，单位为‰；at为延时后的牵引加速度，abra为制动加速度，ares为阻力加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T6为制动阶段系统传输时间参数；T7为制动阶段系统响应时间参数；T为数据间隔时间。
进一步地，数据间隔时间T＝0.2s。
进一步地，果蝇优化算法的步骤如下：
(1)算法初始化，根据问题的复杂情况确定果蝇初始中的规模Sizepop、果蝇种群中每个个体的初始位置(Xij，Yij)以及算法的最大迭代次数Maxgen，其中i，j分别代表当前迭代的代数和个体编号,其中：0≤i≤Sizepop,0≤j≤Maxgen
(2)嗅觉搜索的方向和距离，随机产生每个果蝇的搜索的方向和距离,更新果蝇个体的位置；
(3)计算果蝇个体与原点的距离D和食物味道浓度判定值S；
(4)计算每个果蝇个体的气味浓度值；
(5)确定气味浓度最大果蝇个体的位置，对气味浓度最大值进行记录，反向求解出最佳果蝇个体位置；
(6)视觉定位，保存好到目前为止为佳浓度值BestSmell和该果蝇个体的坐标(XiBest，YiBest)；
(7)进入迭代寻优搜索，判断当前迭代代数是否符合迭代终止条件g＝Maxgen，如果满足，则退出运算，否则重复上述步骤(2)-步骤(5)，并判断味道浓度值是否优于上一代的最佳浓度值，如果优于，则执行步骤(6)，否则继续重复步骤(2)-步骤(5)，循环该过程，直到满足当前迭代代数等于最大迭代代数，并退出运算。
进一步地，所述步骤(1)中位置更新的公式如下：
Xij+1＝Xij+RandomX
Yij+1＝Yij+RandomY
其中RandomX代表X方向的随机搜索步进值，RandomY代表Y方向的随机搜索步进值。
进一步地，所述步骤(3)具体计算公式为：
进一步地，所述步骤(4)具体为将计算得到的味道浓度判断值带入到味道浓度判断函数，计算气味浓度值Smell：
进一步地，所述步骤(6)中整个果蝇种群将利用敏锐的视觉聚集在最佳位置附近：
BestSmell＝SmellBest
XiBest＝X(BestIndex)
YiBest＝Y(BestIndex)
[BestSmell,BestIndex]＝max(Smell)。
本发明的城轨列车动力学模型参数自动调整方法，可以实现：
1)结合城轨列车运动的物理过程、列车控制器的特点以及列车运行数据的特点等诸多因素，经过了充分的思考，建立了城轨列车动力学模型。该动力学模型及其参数较以往研究成果中模型及参数更详细、更多，能更好刻画列车运动的各个过程。
2)通过应用果蝇优化算法，可根据所给数据自动调整列车模型参数，以应对不同的外界条件，使模型参数可根据外界条件实时更新。
3)提出城轨列车各阶段完整模型结构，将牵引阶段模型更加细化，并构建出各阶段具体控制模型，提出各阶段具体需求参数。
附图说明
图1为本发明牵引建立阶段控制模型框图；
图2为本发明牵引切除阶段控制模型框图；
图3为本发明制动阶段控制模型框图；
图4为本发明果蝇优化算法流程图。
具体实施方式
下面详细说明本发明的具体实施，有必要在此指出的是，以下实施只是用于本发明的进一步说明，不能理解为对本发明保护范围的限制，该领域技术熟练人员根据上述本发明内容对本发明做出的一些非本质的改进和调整，仍然属于本发明的保护范围。
本发明提供了一种城轨列车动力学模型参数自动调整方法，根据当前实验室研究面临的问题和当前列车动力学模型研究现状，从列车运动和控制的物理原理入手，应用科学的算法对列车的基本阻力、牵引阶段时间参数、制动阶段时间参数，电机效率等14个参数进行研究，最后将关键参数代入列控模型中以验证模型和参数的研究效果，在给出列车动力学的完整模型及其参数研究的应用方法，使该方法具有广泛的应用空间，并对工程实际具有一定的指导作用。
图1-4分别为牵引建立阶段控制模型框图、牵引切除阶段控制模型框图、制动阶段控制模型框图、果蝇优化算法流程图。上述图1中Ftra为牵引力，Fres为运行阻力， atra为纯电机牵引加速度,at为延时后的牵引加速度，ares为阻力加速度,a为合计加速度； T1为牵引传输延时，T2为牵引响应延时，T3为舒适性延时；图2中，Ftra为牵引力，Fres为运行阻力，atra为纯电机牵引加速度,at为延时后的牵引加速度，ares为阻力加速度,a 为合计加速度；T4为牵引切除传输延时，T5为牵引切除响应延时；图3中Fbra为制动力， Fres为运行阻力，abra为制动加速度,at为延时后的制动加速度，ares为阻力加速度,areal为实际加速度，a为合计加速度；T6为制动传输延时，T7为制动响应延时。下面，对本发明的具体方案进行说明。
列车模型：本发明在总结已有研究成果的基础上，结合城轨列车运动的物理过程、列车控制器的特点以及列车运行数据的特点等诸多因素，经过了充分的思考，建立了城轨列车动力学模型，分别为惰行阶段、低速牵引建立阶段、高速牵引建立阶段、牵引切除阶段、制动阶段，以下进行详细描述。
惰行阶段：惰行在列车动力学模型建立方面，对惰行时的列车进行了受力分析，列车受到的主要阻力为：列车的基本阻力，坡道阻力，给出了惰行阶段列车的运动模型。在列车运行在惰行阶段，列车受到的主要阻力为：列车的基本阻力，坡道阻力以及包括在曲线阻力在内的其他阻力，曲线阻力的计算往往需要获取轨道曲线的曲率半径，对于地铁线路而言，大多数线路的弯曲度较小，可以近似考虑成直线轨道(类似，可以交代弯曲度的范围，然后粗略计算其比例和影响)。故只考虑列车受到的基本阻力、坡道阻力、隧道阻力。坡道阻力的计算是很方便和简单的，对于惰行阶段的参数拟合计算的则是列车基本阻力参数。
从而有列车惰行阶段的模型为：
Fres＝(Fb+Fs)·9.18·M/1000
带入基本公式则有：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
根据牛顿第二定律及运动方程有惰性阶段的动力模型：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
-Fres＝Ma
v＝v'+aT
s＝s'+vT
其中Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度(单位为‰)；a为列车加速度；v为列车速度；v’为上一时刻列车速度； s为列车位移；s’为上一时刻列车位移；T＝0.2s，为数据间隔时间。
牵引建立阶段(低/高速)：在列车输出牵引力时，即列车处于牵引阶段时，结合列车运行数据、列车控制器的设计和列车运动过程中的物理过程，提出了将列车牵引阶段模型分为牵引建立和牵引切除两阶段。对于牵引建立阶段采用三时间参数的模型，并同时计算牵引建立列车牵引电机效率，牵引建立阶段还分为高速和低速两种情况，这两种情况下列车的模型是相同的，参数却不相同，因此进行参数拟合时应对低速牵引建立阶段和高速牵引建立阶段分别拟合。牵引建立阶段控制模型如图所示(参见图 1)；牵引建立的动力学模型如下式：
Ftra＝αv3+βv2+γv+ψ
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFtra-Fres＝Ma
v＝v'+arealT
s＝s'+vT
其中，Ftra为牵引力；α，β，γ，ψ为列车的牵引力公式中的参数；p为牵引电机的效率；Fres为列车基本阻力；M为列车的重量；a，b，c为戴维斯基本阻力公式系数；slope为坡度(单位为‰)；areal为实际加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T1为牵引建立阶段系统传输时间参数；T2为牵引建立阶段系统响应时间参数；T3为牵引建立阶段系统舒适性时间参数； T＝0.2s，为数据间隔时间。
牵引切除阶段：牵引切除阶段采用两时间参数表征列车运行物理模型，并计算牵引切除下列车牵引电机效率，牵引切除阶段控制模型如图所示(参见图2)。由此可得牵引切除阶段的动力学模型如下式：
Ftra＝αv3+βv2+γv+ψ
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFtra-Fres＝Ma
v＝v'+arealT
s＝s'+vT
其中，Ftra为牵引力；α，β，γ，ψ为列车的牵引力公式中的参数；p为牵引电机的效率；Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度(单位为‰)；areal为实际加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T4为牵引切除阶段系统传输时间参数；T5为牵引切除阶段系统响应时间参数；T＝0.2s，为数据间隔时间。
制动阶段：当列车输出制动力，处于制动状态时，列车模型采用两时间参数表征列车运行物理模型，并同时计算制动状态下列车电机效率，列车制动阶段控制模型如图所示(参见图3)。由此可得制动阶段的动力学模型如下式：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFbra-Fres＝Ma
a＝at-ares
v＝v'+arealT
s＝s'+vT
其中，Fbra为牵引力；α，β，γ，ψ为列车的制动力公式中的参数；p为制动系数；Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数； slope为坡度，单位为‰；at为延时后的牵引加速度，abra为制动加速度，ares为阻力加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T6为制动阶段系统传输时间参数；T7为制动阶段系统响应时间参数；T＝0.2s，为数据间隔时间。
算法提出：在完成了对列车运动模型的研究后，选择参数少、搜索速度快的果蝇优化算法进行参数辨识。
果蝇优化算法(FOA)是由中国台湾潘文超博士在2011年6月提出，它是一类新的全局优化进化算法。果蝇优化算法的创立源于作者发现在紧闭的房间里的水果也可以在很短的时间内吸引果蝇到来。查阅相关资料发现，果蝇可以感知到方圆四十公里的食物，依靠其敏锐的嗅觉和视觉确定食物的具体位置。果蝇首先利用其强大的嗅觉迅速定位出食物的大概方位，并向该食物源快速飞近；其次在靠近食物一定距离时，利用其敏锐的视觉找到同伴和食物的确切位置，飞向该位置。受到果蝇觅食过程的启发，并该过程其进行模拟，得到果蝇优化算法的基本原理：
(1)嗅觉搜索阶段：利用嗅觉充分感知空气中的各种气味，判断食物的大约位置，并向食物靠近：
(2)视觉定位阶段：在靠近食物后在视觉可行的距离内，准确判断食物的确切位置，飞向食物。
(3)果蝇优化算法非常简单，在算法开始时只需要设置迭代次数和初始种群就可以了，不需要进行编码操作。果蝇优化算法作为一种新颖简单的算法在配电网规划、起动优化设计、城市物流配送中心选址等工程和理论研究中得到广泛的应用。
果蝇优化算法的步骤如下：
(1)算法初始化。根据问题的复杂情况确定果蝇初始中的规模Sizepop、果蝇种群中每个个体的初始位置(Xij，Yij)以及算法的最大迭代次数Maxgen。(i，j分别代表当前迭代的代数和个体编号,其中：0≤i≤Sizepop,0≤j≤Maxgen)
(2)嗅觉搜索的方向和距离。随机产生每个果蝇的搜索的方向和距离,更新果蝇个体的位置。位置更新的公式如下，其中RandomX代表该方向的随机搜索步进值， RandomY亦同。
Xij+1＝Xij+RandomX
Yij+1＝Yij+RandomY
(3)初步计算。由于果蝇个体并不知道食物的具体位置，所以先计算出果蝇个体与原点的距离D和食物味道浓度判定值S，浓度判定值为距离的倒数。
(4)计算每个果蝇个体的气味浓度值。将上面计算得到的味道浓度判断值带入到味道浓度判断函数，计算气味浓度值Smell。味道浓度判断函数就是待优化的目标函数。气味浓度值Smell用于决策出本代最优果蝇个体。
(5)确定气味浓度最大(最佳)果蝇个体的位置。对气味浓度最大值进行记录，反向求解出最佳果蝇个体位置。
[BestSmell,BestIndex]＝max(Smell)
(6)视觉定位。保存好到目前为止为佳浓度值BestSmell和该果蝇个体的坐标(XiBest，YiBest)，与此同时，整个果蝇种群将利用敏锐的视觉聚集在该最佳位置附近。
BestSmell＝SmellBest
XiBest＝X(BestIndex)
YiBest＝Y(BestIndex)
(7)进入迭代寻优搜索。判断当前迭代代数是否符合迭代终止条件g＝Maxgen。如果满足，则退出运算。否则重复上述步骤2-步骤5，并判断味道浓度值是否优于上一代的最佳浓度值，如果优于，则执行步骤6，否则继续重复步骤2-步骤5。循环该过程，直到满足当前迭代代数等于最大迭代代数，并退出运算。
果蝇优化算法的流程图如图所示(参见图4)。
参数寻优：
算法配置：(1)果蝇优化算法的味道浓度判断函数(适应度函数)的作用主要是评价果蝇个体，可以将味道浓度判断函数定义为“计算得到的速度-位移”与“目标速度-位移曲线”差的平方和加1的倒数，这样是为了防止速度差平方和出现等于零的情况，使程序陷入错误之中。味道浓度判断函数：
标准误差公式为：
Rss＝∑(vg-vt)2
其中vg为计算得到的速度，vt为目标速度。
(2)算法初始种群20，迭代代数500代。同时为避免概率搜索的偶然性，进行 20次仿真计算取参数平均值。
惰行阶段：结合问题及数据特点，应用果蝇优化算法研究列车的基本阻力参数。
数据截取规则：起始点：列车牵引状态为1或制动状态为1；连续十个时间周期的牵引/制动级别为0；终止点：v(k)>v(k-1),v(k)表示当前时刻速度，v(k-1)表示上一时刻速度。
果蝇优化算法的输入数据为：线路坡度数据(slope)、列车牵引/制动PID级位(gear)、列车计算距离数据(s)和列车车速数据(v)。输出的数据为：列车基本阻力公式参数(a,b,c)、计算均方根误差(RSME)。
低速牵引建立阶段：数据截取规则：起始点：列车牵引状态为1且制动状态为0； v(k)＝0，v(k)表示当前时刻速度；当前时刻牵引级别>0；终止点：列车牵引状态为1 且制动状态为0；v(k)＝52，v(k)表示当前时刻速度，单位为km/h，52km/h为牵引特性曲线中恒加速段与恒功率的拐点速度。
果蝇优化算法的输入数据为：线路坡度数据(slope)、列车牵引/制动PID级位(gear)、列车计算距离数据(s)、列车车速数据(v)、列车计算加速度(a)；
算法输出数据为：低速牵引建立传输延时(T11)、低速牵引建立响应延时(T21)、低速牵引建立舒适性延时(T31)、低速牵引建立电机效率(P1)、均方根误差(RSME)。
高速牵引建立阶段：数据截取规则：起始点：列车牵引状态为1且制动状态为0； v(k)>52km/h，v(k)表示当前时刻速度；当前时刻牵引级别>0且上一时刻牵引级别为0；终止点：列车牵引状态为1且制动状态为0；当前时刻牵引级别<上一时刻牵引级别
果蝇优化算法的输入数据为：线路坡度数据(slope)、列车牵引/制动PID级位(gear)、列车计算距离数据(s)、列车车速数据(v)、列车计算加速度(a)；
算法输出数据为：高速牵引建立传输延时(T12)、高速牵引建立响应延时(T22)、高速牵引建立舒适性延时(T32)、高速牵引建立电机效率(P2)、均方根误差(RSME)。
牵引切除阶段：数据截取规则：起始点：列车牵引状态为1且制动状态为0； v(k)>69.98-2-1，v(k)表示当前时刻速度，单位为km/h，69.98为最高目标速度，-2 为当前惰行策略，-1是为了扩大搜索范围，因为未到惰行上限手柄挡位即开始下降；当前时刻牵引级别<上一时刻牵引级别且上一时刻牵引级别为1；终止点：列车牵引状态为1且制动状态为0；v(k)<v(k-1),v(k)表示当前时刻速度，v(k-1)表示上一时刻速度。
果蝇优化算法的输入数据为：线路坡度数据(slope)、列车牵引制动PID级位(gear)、列车计算距离数据(s)、列车车速数据(v)和列车的加速度数据(a)。
算法输出数据为：牵引切除传输延时(T4)、牵引切除响应延时(T5)、牵引切除电机效率(P3)、均方根误差(RSME)。
制动阶段：数据截取规则：起始点：列车牵引状态为0且制动状态为1；当前时刻牵引级别>0且上一时刻牵引级别为0；终止点：数据末端，即v(k)＝0，v(k)表示当前时刻速度。
果蝇优化算法的输入数据为：线路坡度数据(slope)、列车牵引制动PID级位(gear)、列车计算距离数据(s)、列车车速数据(v)。
算法输出数据为：制动传输延时(T6)、制动响应延时(T7)、牵引切除电机效率(P4)、均方根误差(RSME)。
需要说明的是，本发明中采用相同参数定义了不同阶段的参量，因为这些参量的定义是本领域公知的定义方式，并且在不同阶段有对应的步骤进行限定，因此对应的这些参量的相同参数的定义并不会产生歧义，在此说明。
尽管为了说明的目的，已描述了本发明的示例性实施方式，但是本领域的技术人员将理解，不脱离所附权利要求中公开的发明的范围和精神的情况下，可以在形式和细节上进行各种修改、添加和替换等的改变，而所有这些改变都应属于本发明所附权利要求的保护范围，并且本发明要求保护的产品各个部门和方法中的各个步骤，可以以任意组合的形式组合在一起。因此，对本发明中所公开的实施方式的描述并非为了限制本发明的范围，而是用于描述本发明。相应地，本发明的范围不受以上实施方式的限制，而是由权利要求或其等同物进行限定。

Claims (10)

1.一种城轨列车动力学模型参数自动调整方法，其特征在于，包括如下步骤：
1)结合城轨列车运动的物理过程、列车控制器的特点以及列车运行数据的特点，建立了城轨列车动力学模型，将其分别为惰行阶段、低速牵引建立阶段、高速牵引建立阶段、牵引切除阶段、制动阶段；
2)使用参数少、搜索速度快的果蝇优化算法进行参数辨识，实现城轨列车动力学模型参数的自动调整。
2.如权利要求1所述的调整方法，其特征在于：列车惰行阶段的模型为：
Fres＝(Fb+Fs)·9.18·M/1000
其中Fb表示列车受到的基本阻力；Fs表示列车受到的坡道阻力；
带入基本公式则有：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
根据牛顿第二定律及运动方程有惰性阶段的动力模型：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
-Fres＝Ma
v＝v'+aT
s＝s′+vT
其中Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度，单位为‰；a为合计加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T为数据间隔时间。
3.如权利要求1或2所述的调整方法，其特征在于：对于低速牵引建立阶段和高速牵引建立阶段采用三时间参数的模型，并同时计算牵引建立列车牵引电机效率。优选的，对低速牵引建立阶段和高速牵引建立阶段分别拟合，其中低速牵引建立阶段或高速牵引建立阶段的动力学模型如下式：
Ftra＝αv3+βv2+γv+ψ
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFtra-Fres＝Ma
v＝v'+arealT
s＝s'+vT
其中，Ftra为牵引力；α，β，γ，ψ为列车的牵引力公式中的参数；p为牵引电机的效率；Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度，单位为‰；areal为实际加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T1为牵引建立阶段系统传输时间参数；T2为牵引建立阶段系统响应时间参数；T3为牵引建立阶段系统舒适性时间参数；T为数据间隔时间，t表示时间。
4.如权利要求1或3所述的调整方法，其特征在于：对牵引切除阶段采用两时间参数表征列车运行物理模型，并计算牵引切除下列车牵引电机效率。优选的，牵引切除阶段的动力学模型如下式：
Ftra＝αv3+βv2+γv+ψ
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFtra-Fres＝Ma
v＝v'+arealT
s＝s'+vT
其中，Ftra为牵引力；α，β，γ，ψ为列车的牵引力公式中的参数；p为牵引电机的效率；Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度，单位为‰；areal为实际加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T4为牵引切除阶段系统传输时间参数；T5为牵引切除阶段系统响应时间参数；T为数据间隔时间，t表示时间。
5.如权利要求1或4所述的调整方法，其特征在于：制动阶段采用两时间参数表征列车运行物理模型，并同时计算制动状态下列车电机效率。优选的，列车制动阶段的动力学模型如下式：
Fres＝(Dav2+Dbv+Dc+slope)·9.81·M/1000
pFbra-Fres＝Ma
a＝at-ares
v＝v'+arealT
s＝s'+vT
其中，Fbra为牵引力；α，β，γ，ψ为列车的制动力公式中的参数；p为制动系数；Fres为列车基本阻力；M为列车的重量；Da，Db，Dc为戴维斯基本阻力公式系数；slope为坡度，单位为‰；at为延时后的牵引加速度，abra为制动加速度，ares为阻力加速度，areal为实际加速度；v为列车速度；v’为上一时刻列车速度；s为列车位移；s’为上一时刻列车位移；T6为制动阶段系统传输时间参数；T7为制动阶段系统响应时间参数；T为数据间隔时间。优选的，数据间隔时间T＝0.2s。
6.如权利要求1-5任一项所述的调整方法，其特征在于：果蝇优化算法的步骤如下：
(1)算法初始化，根据问题的复杂情况确定果蝇初始中的规模Sizepop、果蝇种群中每个个体的初始位置(Xij，Yij)以及算法的最大迭代次数Maxgen，其中i，j分别代表当前迭代的代数和个体编号,其中：0≤i≤Sizepop,0≤j≤Maxgen
(2)嗅觉搜索的方向和距离，随机产生每个果蝇的搜索的方向和距离,更新果蝇个体的位置；
(3)计算果蝇个体与原点的距离D和食物味道浓度判定值S；
(4)计算每个果蝇个体的气味浓度值；
(5)确定气味浓度最大果蝇个体的位置，对气味浓度最大值进行记录，反向求解出最佳果蝇个体位置；
(6)视觉定位，保存好到目前为止为佳浓度值BestSmell和该果蝇个体的坐标(XiBest，YiBest)；
(7)进入迭代寻优搜索，判断当前迭代代数是否符合迭代终止条件g＝Maxgen，如果满足，则退出运算，否则重复上述步骤(2)-步骤(5)，并判断味道浓度值是否优于上一代的最佳浓度值，如果优于，则执行步骤(6)，否则继续重复步骤(2)-步骤(5)，循环该过程，直到满足当前迭代代数等于最大迭代代数，并退出运算。
7.如权利要求6所述的调整方法，其特征在于：所述步骤(1)中位置更新的公式如下：
Xij+1＝Xij+RandomX
Yij+1＝Yij+RandomY
其中RandomX代表X方向的随机搜索步进值，RandomY代表Y方向的随机搜索步进值。
8.如权利要求7所述的调整方法，其特征在于：所述步骤(3)具体计算公式为：
9.如权利要求8所述的调整方法，其特征在于：所述步骤(4)具体为将计算得到的味道浓度判断值带入到味道浓度判断函数，计算气味浓度值Smell：
10.如权利要求9所述的调整方法，其特征在于：所述步骤(6)中整个果蝇种群将利用敏锐的视觉聚集在最佳位置附近：
BestSmell＝SmellBest
XiBest＝X(BestIndex)
YiBest＝Y(BestIndex)
[BestSmell,BestIndex]＝max(Smell)。
CN201910449434.2A 2019-05-28 2019-05-28 一种城轨列车动力学模型参数自动调整方法 Pending CN110155089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910449434.2A CN110155089A (zh) 2019-05-28 2019-05-28 一种城轨列车动力学模型参数自动调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910449434.2A CN110155089A (zh) 2019-05-28 2019-05-28 一种城轨列车动力学模型参数自动调整方法

Publications (1)

Publication Number Publication Date
CN110155089A true CN110155089A (zh) 2019-08-23

Family

ID=67629251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910449434.2A Pending CN110155089A (zh) 2019-05-28 2019-05-28 一种城轨列车动力学模型参数自动调整方法

Country Status (1)

Country Link
CN (1) CN110155089A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111994135A (zh) * 2020-08-17 2020-11-27 交控科技股份有限公司 一种基于迭代计算的协同编队列车安全防护方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101941450A (zh) * 2010-08-26 2011-01-12 北京交通大学 列车工况转换控制方法及系统
CN102981408A (zh) * 2012-12-10 2013-03-20 华东交通大学 一种动车组运行过程建模与自适应控制方法
CN106828540A (zh) * 2017-01-22 2017-06-13 北京交通大学 基于列车运行等级的列车运行控制方法
CN107515537A (zh) * 2017-08-21 2017-12-26 南京理工大学 一种基于改进型暴力搜索法的列车单车节能运行方法
CN109398426A (zh) * 2018-09-19 2019-03-01 中南大学 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101941450A (zh) * 2010-08-26 2011-01-12 北京交通大学 列车工况转换控制方法及系统
CN102981408A (zh) * 2012-12-10 2013-03-20 华东交通大学 一种动车组运行过程建模与自适应控制方法
CN106828540A (zh) * 2017-01-22 2017-06-13 北京交通大学 基于列车运行等级的列车运行控制方法
CN107515537A (zh) * 2017-08-21 2017-12-26 南京理工大学 一种基于改进型暴力搜索法的列车单车节能运行方法
CN109398426A (zh) * 2018-09-19 2019-03-01 中南大学 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵帅: "城轨列车模型的关键参数拟合研究", 《北京交通大学硕士专业学位论文》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111994135A (zh) * 2020-08-17 2020-11-27 交控科技股份有限公司 一种基于迭代计算的协同编队列车安全防护方法及系统

Similar Documents

Publication Publication Date Title
Qu et al. Jointly dampening traffic oscillations and improving energy consumption with electric, connected and automated vehicles: A reinforcement learning based approach
Chen et al. Online learning algorithms for train automatic stop control using precise location data of balises
Cao et al. Parameter-varying artificial potential field control of virtual coupling system with nonlinear dynamics
CN111267830B (zh) 一种混合动力公交车能量管理方法、设备和存储介质
CN102855778B (zh) 一种基于复杂度评估的空域扇区分类方法
Perrotta et al. Route planning for electric buses: a case study in Oporto
Keskin et al. Energy‐Efficient Train Operation Using Nature‐Inspired Algorithms
Fernández-Rodríguez et al. Balancing energy consumption and risk of delay in high speed trains: A three-objective real-time eco-driving algorithm with fuzzy parameters
Liu et al. Adaptive speed planning of connected and automated vehicles using multi-light trained deep reinforcement learning
CN112896186A (zh) 一种车路协同环境下的自动驾驶纵向决策控制方法
Li et al. Dynamic trajectory optimization design for railway driver advisory system
CN104794265B (zh) 一种基于加速度信息的移动跟随模型设计方法
CN106056238B (zh) 列车区间运行轨迹的规划方法
Firoozi et al. Safe Adaptive Cruise Control with Road Grade Preview and $\mathbf {V} 2\mathbf {V} $ Communication
Kavas-Torris et al. Fuel economy benefit analysis of pass-at-green (PaG) V2I application on urban routes with STOP signs
Fernández-Rodríguez et al. A multi-objective algorithm for train driving energy reduction with multiple time targets
Ard et al. Optimizing gap tracking subject to dynamic losses via connected and anticipative MPC in truck platooning
Bin et al. Energy-efficient speed profile optimization for high-speed railway considering neutral sections
CN110155089A (zh) 一种城轨列车动力学模型参数自动调整方法
De Martinis et al. Towards a simulation-based framework for evaluating energy-efficient solutions in train operation
Song et al. Train headway adjustment using potential function based on multi-agent formation control
Wu et al. An optimal longitudinal control strategy of platoons using improved particle swarm optimization
Keskin et al. Application of firefly algorithm to train operation
Cao et al. Optimisation of recommended speed profile for train operation based on ant colony algorithm
Makovkin et al. Optimal persistent surveillance using coordinated soaring

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190823

RJ01 Rejection of invention patent application after publication