CN111547105A

CN111547105A - 一种用于中低速磁浮列车的非接触测速定位方法

Info

Publication number: CN111547105A
Application number: CN202010272705.4A
Authority: CN
Inventors: 潘洪亮; 邱宇; 唐少强; 杨颖�; 佟来生; 张杨
Original assignee: Tongji University; CRRC Zhuzhou Locomotive Co Ltd
Current assignee: Tongji University; CRRC Zhuzhou Locomotive Co Ltd
Priority date: 2020-04-09
Filing date: 2020-04-09
Publication date: 2020-08-18
Anticipated expiration: 2040-04-09
Also published as: CN111547105B

Abstract

本发明涉及一种用于中低速磁浮列车的非接触测速定位方法，包括以下步骤：1)在磁浮列车车头和车尾处分别安装两个测速定位装置，每个测速定位装置包括至少4个沿磁浮列车车体依次直线排列的涡流传感器，且相邻涡流传感器之间的间距D固定；2)根据预设工况条件分类计算分别得到车头和车尾处测速定位装置对应的列车速度序列；3)以列车速度序列作为卡尔曼滤波的优化算法的输入数据，预测得到下一时刻的列车速度，并进行加权校正。与现有技术相比，本发明具有预测精度高、可靠性高、软故障自诊断等优点。

Description

一种用于中低速磁浮列车的非接触测速定位方法

技术领域

本发明涉及磁浮列车非接触式测速定位领域，尤其是涉及一种用于中低速磁浮列车的非接触测速定位方法。

背景技术

轨道交通的测速与定位在列车的行车调度安全、列车行驶控制和列车定位中起到重要作用。随着我国修建上海，长沙等磁浮商用线路，使用一种精度高，可靠性好，便于安装的测速定位方法对于磁浮列车有非常重要的现实意义。

计数轨枕测速定位方法在是一种在中低速磁浮领域使用较多的测速定位方法，其装置简单、造价低且易于安装等优势使得此方法成为解决中低速磁浮列车测速定位的一种良好的解决方案。如已投入商业运营的长沙机场中低速磁浮线即采用了测速雷达，板载加速度计与计数轨枕三种方法融合测速定位，以得到更为精确的位置速度信息，但是由于列车振动，计时时钟误差等因素，依然会存在一定的误差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于中低速磁浮列车的非接触测速定位方法。

本发明的目的可以通过以下技术方案来实现：

一种用于中低速磁浮列车的非接触测速定位方法，包括以下步骤：

1)在磁浮列车车头和车尾处分别安装两个测速定位装置，每个测速定位装置包括至少4个沿磁浮列车车体依次直线排列的涡流传感器，且相邻涡流传感器之间的间距D固定；

2)根据预设工况条件分类计算分别得到车头和车尾处测速定位装置对应的列车速度序列Z_k；

3)以列车速度序列Z_k作为卡尔曼滤波的优化算法的输入数据，预测得到下一时刻的列车速度，并进行加权校正。

所述的步骤2)中，根据预设工况条件分类计算得到当前时刻的列车速度，具体包括：

工况1：当列车低速行驶或列车加速度较大时，则列车速度

的计算式为：

其中，V_q为第i个和第i+1个涡流传感器在分别经过第j个轨枕对应的时间间隔内的平均速度，t_ij、t_(i-1)j分别为第i个和第i+1个涡流传感器经过第j个轨枕上方的采样时刻，且i≤m，m为涡流传感器总数；

工况2：当列车速度较大且加速度较小时，采用间隔涡流传感器的速度加权的方式计算当前时刻的列车速度，则有：

其中，V_p为第i个和第i+2个涡流传感器在分别经过第j个轨枕对应的时间间隔内的平均速度，V_s为第i个和第i+3个涡流传感器在分别经过第j个轨枕对应的时间间隔内的平均速度，

分别为对应的权值。

所述的步骤2)中，工况1的具体条件为:列车速度V＜10m/s或加速度a＞0.5m/s²，工况2的具体条件为具体为列车速度V≥10m/s且加速度a≤0.5m/s²。

所述的步骤2)中，列车的速度序列Z_k的计算式为：

其中，k＝1代表位于车头处测速定位装置，k＝2代表位于车尾处测速定位装置，上标1表示工况1，上标2表示工况2。

所述的步骤3)具体包括以下步骤：

31)设定初始的车头测速数据权值w_1,0和车尾测速数据权值w_2,0，并计算初始的融合速度序列Z₀；

32)对初始的融合速度序列进行卡尔曼滤波得到当前时刻的卡尔曼滤波数据；

33)计算当前时刻t的融合速度序列数据与当前时刻t的卡尔曼滤波数据的差值对车头测速数据权值w_1,t和车尾测速数据权值w_2,t进行修正，作为下一时刻的权值，并结合下一时刻的列车的速度序列计算融合速度序列，最终得到每一时刻的列车速度预测值。

融合速度序列Z_t的计算式为：

Z_t＝w_1,tV_1,t+w_2,tV_2,t

其中，V_1,t、V_2,t分别为当前时刻t车头和车尾处测速定位装置的列车速度序列。

所述的步骤31)中，初始的车头测速数据权值w_1,0和车尾测速数据权值w_2,0均为0.5。

所述的步骤33)中，修正车头测速数据权值w_1,t和车尾测速数据权值w_2,t的表达式为：

其中，y_1,t，y_2,t分别为当前时刻t的卡尔曼滤波数据分别与当前时刻t车头和车尾处测速定位装置的列车速度序列数据的差值。

当车头和车尾处测速定位装置的列车速度序列数据与的卡尔曼滤波数据的差值存在95％以上的数据落在设定的阈值区间之外时，则判断发生软故障，将车尾测速数据权值置0，直到列车运行结束再去检修。

所述的步骤1)中，相邻涡流传感器之间的间距D为0.3m

与现有技术相比，本发明具有以下优点：

一、本发明针对不同的运行工况提出不同的速度算法，降低了传统方法在时间间隔较低时由于测量误差导致的计算结果偏差，提高了速度位移曲线的精度。

二、本发明使用两套冗余装置，降低了单一装置出现测量误差致使的数据误差，提高了装置精度、可靠性。

三、本发明使用卡尔曼滤波充分利用了数据信息，进一步增加了测量精度。

四、本发明在实现速度位移的测量的同时，实现了测速装置软故障的自诊断。

附图说明

图1为测速定位装置的安装位置图。

图2为涡流传感器的安装位置示意图。

图3为数据处理模块信息流图

图4为本发明的方法流程图。

图中标记说明：

1、涡流传感器，2、数据处理模块，3、金属轨枕。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，车头车尾分别安装四个涡流传感器1，每个传感器之间间隔D＝0.3m，车上安装数据处理模块2，负责实时处理已采集的传感器数据。

如图2所示，当传感器到达金属轨枕3上方时，将会产生脉冲信号，在磁浮列车上安装多个间距固定的传感器，则可以利用已知的间距，通过同一传感器的时间差计算出列车的实时速度。

如图3所示，数据处理模块包括数据接受模块、计时模块、列车状态判断及速度预计算模块、基于卡尔曼滤波的优化算法滤波模块、故障判断模块、列车状态数据输出模块。

数据处理模块：接受两套涡流传感器的脉冲信号，并将脉冲信号发送至计时模块；

计时模块：记录每个脉冲信号的上升沿时刻，所得时刻信息发送至列车状态判断及速度预计算模块；

列车状态判断及速度预计算模块：此模块预设列车运行状态条件阈值，条件1，列车速度V＜10m/s或加速度a＞0.5m²，条件2，列车速度V≥10m²且加速度a≤0.5m²。将以此判断条件决定速度的不同计算方式，按照

或者

计算；

基于卡尔曼滤波的优化算法滤波模块：将得到的数据利用卡尔曼滤波将其滤波，同时记录滤波后的差值。将滤波后的状态信息传递至列车状态判断及速度预计算模块，将滤波后的差值信息传递至故障判断模块，将滤波后的速度位移信息传递至列车状态数据输出模块；

故障判断模块：此模块主要设定差值信息的故障阈值，将接收到的差值信息带入故障阈值进行故障判断，若某一套涡流传感器出现故障，则将此装置故障信息传递至列车状态信息输出模块，若均正常，则传递装置正常信息；

列车状态数据输出模块：将故障判断信息及滤波后的速度位移信息向外界输出。

如图4所示，本发明具体包括以下步骤：

1)卡尔曼滤波原理：假设线性离散系统数学模型为：X(j)＝F(j，j-1)X(j-1)+Γ(j，j-1)W(j-1)；Z(j)＝H(j)X(j)+V(j)。X(j)为系统状态向量，F为系统状态转移矩阵，Γ为系统噪声矩阵，W为系统噪声向量，Z为系统观测向量，H为系统观测矩阵，V为量测噪声矩阵。卡尔曼滤波算法如下：①

P(j|j-1)＝F(j，j-1)P(j-1)F^T(j，j-1)+Γ(j，j-1)Q(j)Γ^T(j，j-1)；②S(j)＝H(j)P(j|j-1)H^T(j)+R(j)；K(j)＝P(j|j-1)H^T(j)S^-1(j)；③P(j)＝[I-K(j)H(j)]P(j|j-1)；

式中①部分为状态预测部分，利用上一时刻状态及协方差预测此时刻状态及协方差P(k|k-1)。②为卡尔曼滤波系数K求解。③为状态量及协方差的更新，分别为

P(j)；

2)将其用于此具体实例中，

对应于在j轨枕时刻速度的预测值，F(j，j-1)对应于加速度值(按照上一时刻加速度计算)。

为j-1轨枕时滤波后的速度。P(j|j-1)＝F(j，j-1)P(j-1)F^T(j，j-1)+Q(j)为预测误差协方差，此实例为一维，初始值P₀定为1。Q(j)为定值0.01。S(j)＝H(j)P(j|j-1)H^T(j)+R(j)，其中观测值为速度，故H(j)观测矩阵为1，

R(j)为观测噪声矩阵，此实例中R为定值0.002。S(j)＝P(j|j-1)+R(j)，计算得到卡尔曼滤波增益K(j)＝P(j|j-1)S^-1(j)。最后更新误差协方差P(j)＝P(j|j-1)-K(j)P(j|j-1)，最终速度

其中

3)预设速度计算条件：条件1，列车速度V＜10m/s或加速度a＞0.5m²时，按一般算法，计算每个相邻传感器通过金属轨枕时所记录时间的速度；条件2，列车速度V≥10m²且加速度a≤0.5m²时，按一个轨枕间隔计算其平均速度，视列车在通过一个轨枕时速度为匀速。满足条件1的运行工况，则速度计算公式为

满足条件2的运行工况，则

式中

4)两套装置自适应权值设置：两套测速定位装置构成测速定位的进一步冗余。其速度公式计算为：Z_0j＝w_1jZ_1(j+1)+w_2kZ_2(j+1)。Z_0(j+1)表示在j+1轨枕时两套测速定位装置的输出值，Z_1(j+1)表示在j+1轨枕时车头装置的测速数据，Z_2(j+1)表示在j+1时刻车尾测速定位装置的测速数据。w_1k表示车头测速数据权值，w_2k表示车尾测速数据权值。当得到此时刻卡尔曼滤波速度数据

后，计算其差值

则

其中w_1j及w_2j作为下一时刻轨枕两套装置权值。在计算y_1j，y_2j差值时，根据经验设定一个阈值，当某一测速定位装置在一定时间段所计算差值有95％落在此阈值区间之外，则可认为此装置发生软故障，将此套装置后面数据权值w_2j定为0，且能实现装置故障检测的作用；

5)数据记录：使用车头车尾各安装的一套涡流传感器记录脉冲上升沿时间t_ij。分别得到两组上升沿时间矩阵

6)条件判断：若为首组数据，则将速度V及加速度a粗略计算判断满足条件1或条件2。从第二组数据开始，使用上一时刻已滤波速度数据判断速度V及加速度a，判断此时满足条件1或条件2；

7)基于卡尔曼滤波的优化算法滤波：将计算结果带入已设计好的卡尔曼滤波算法，计算得速度值，利用速度积分算得位移值s；

8)两套装置故障判断：若超过设定阈值，则相对应权值归0，且发出故障提醒。若数据正常，则计算下一时刻权值。

Claims

1.一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，所述的步骤2)中，根据预设工况条件分类计算得到当前时刻的列车速度，具体包括：

工况1：当列车低速行驶或列车加速度较大时，则列车速度

的计算式为：

分别为对应的权值。

3.根据权利要求2所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，所述的步骤2)中，工况1的具体条件为：列车速度V＜10m/s或加速度a＞0.5m/s²，工况2的具体条件为具体为列车速度V≥10m/s且加速度a≤0.5m/s²。

4.根据权利要求3所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，所述的步骤2)中，列车的速度序列Z_k的计算式为：

5.根据权利要求3所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，所述的步骤3)具体包括以下步骤：

33)计算当前时刻t的车头和车尾处测速定位装置的列车速度序列数据与当前时刻t的卡尔曼滤波数据的差值对车头测速数据权值w_1,t和车尾测速数据权值w_2,t进行修正，作为下一时刻的权值，并结合下一时刻的列车的速度序列计算融合速度序列，最终得到每一时刻的列车速度预测值。

6.根据权利要求5所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，融合速度序列Z_t的计算式为：

Z_t＝w_1,tV_1,t+w_2,tV_2,t

7.根据权利要求5所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，所述的步骤31)中，初始的车头测速数据权值w_1,0和车尾测速数据权值w_2,0均为0.5。

8.根据权利要求5所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，所述的步骤33)中，修正车头测速数据权值w_1,t和车尾测速数据权值w_2,t的表达式为：

9.根据权利要求8所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，当车头和车尾处测速定位装置的列车速度序列数据与的卡尔曼滤波数据的差值存在95％以上的数据落在设定的阈值区间之外时，则判断发生软故障，将车尾测速数据权值置0。

10.根据权利要求1所述的一种用于中低速磁浮列车的非接触测速定位方法，其特征在于，所述的步骤1)中，相邻涡流传感器之间的间距D为0.3m。