CN114460843A - 基于条件与性能匹配的车内压力波动迭代学习控制方法 - Google Patents

Abstract

本发明公开了一种基于条件与性能匹配的车内压力波动迭代学习控制方法，具体为：首先建立了高速列车历史运行数据库，再通过条件与性能匹配算法从数据库中匹配出与当前运行工况最接近的历史工况信息，并对其所对应的历史控制量信息进行变时间尺度处理和变幅度处理，然后将其当作初始控制量输入到迭代学习控制器中，对阀门进行控制，最后在迭代结束后，需要根据性能指标对高速列车历史运行数据库进行更新。本发明能够有效抑制车内压力波动，并能够提高系统收敛速度与控制精度，具有一定的理论研究价值。

Description

基于条件与性能匹配的车内压力波动迭代学习控制方法

技术领域

本发明属于高速列车车内压力波动控制技术领域，具体涉及一种基于条件与性能匹配的车内压力波动迭代学习控制方法。

背景技术

当高速列车通过隧道时，在车-隧耦合气动作用下，车外会产生剧烈的隧道压力波，这些瞬变压力通过换气风道、车体缝隙以及车体变形等进入车内，诱发车内压力发生变化。若车内气压变化率超过人体耳膜舒适度准则限值，则会引起司乘人员耳鸣、耳痛、头晕、头痛等不适感，严重时甚至会造成司乘人员耳膜破裂。因此，为保障司乘人员的舒适与安全，需要采取控制方法来抑制车内压力波动。目前，固定时长关闭换气风道的被动控制方式在重新开启风道时可能造成车内更大的压力波动，不能有效抑制车外气压向车内传递。

另外，同一高速列车按照运行图上所规定的速度重复通过同一隧道时，产生的隧道压力波形态理论上是相同的，但是受车速波动以及周围环境随机干扰(气温、大气压、风速等)的影响，隧道压力波将发生微小的时间尺度以及幅度方面的形态变化，本发明将这些时间尺度和幅度相似或相近的隧道压力波称为定形态隧道压力波。且现有的车内压力波动控制方法没有抓住列车重复通过隧道时的定形态特性，因此充分利用具有变时间尺度、变幅度特性的隧道压力波数据，研究在重复定形态隧道压力波激扰下的高速列车车内压力波动迭代学习控制方法，具有一定的理论研究意义。

发明内容

为解决重复定形态隧道压力波激扰下的高速列车车内压力波动迭代学习控制问题，本发明提供一种基于条件与性能匹配的车内压力波动迭代学习控制方法。

本发明的一种基于条件与性能匹配的车内压力波动迭代学习控制方法，包括以下步骤：

步骤1：建立高速列车历史运行数据库；高速列车历史运行数据库包含车速信息、隧道压力波、风道阀门控制量、控制误差以及性能指标。

步骤2：条件与性能匹配算法。

S21：对当前车速、历史车速信息和当前期望性能指标、历史指标信息进行归一化处理。

S22：利用欧氏距离计算当前工况信息与历史工况信息之间的距离。

S23：将与当前工况信息距离最小的一组历史工况信息所对应的风道阀门控制量信息匹配出来，作为变时间尺度初始控制量信息。

步骤3：变时间尺度处理。

对控制量轨迹的时间尺度进行拉伸或缩放处理，使得变时间尺度初始控制量转变为定时间尺度最优控制量。

步骤4：变幅度处理。

利用车内气压1s变化率，定义气压舒适性指标，并将其作为控制目标，进而将变幅度问题转变为定幅度问题。

步骤5：迭代学习控制方法；包括初始控制量的确定、误差的确定、迭代学习律的设计以及性能指标的确定。

步骤6：更新高速列车历史运行数据库。

进一步的，步骤5迭代学习控制方法具体如下：

S51：初始控制量的确定。

初始控制量u₁(k)为经过基于条件与性能匹配算法以及变时间尺度处理后的控制量

即

。

S52：误差的确定。

误差e_j(k)设定为期望气压舒适性指标Q_d(k)与实际输出的第j次气压舒适性指标Q_j(k)的差值，即e_j(k)＝Q_d(k)-Q_j(k)。

S53：迭代学习律的设计。

将变增益P型迭代学习律作为迭代学习控制方法的学习律，其表达式为：

u_j+1(k)＝u_j(k)+K_pje_j(k)

式中，u_j+1(k)为第j+1次控制输入信号；u_j(k)为第j次控制输入信号；K_pj为比例增益系数，

，其中λ₁和λ₂是变增益系数。

S54：性能指标的确定。

将误差∞范数||e_j(k)||_∞作为迭代学习控制的性能指标，其定义为：

J＝||e_j(k)||_∞＝max(|e_j(k)|)

进一步的，步骤6更新高速列车历史运行数据库具体为：

若在迭代后的匹配控制量作用下的性能J_a优于在迭代前的匹配控制量作用下的性能J_b，则将迭代前的匹配数据替换为迭代后的匹配数据；若在迭代后的匹配控制量作用下的性能J_a差于在迭代前的匹配控制量作用下的性能J_b，则保留迭代前的匹配数据，删除迭代后的匹配数据。

本发明的有益技术效果为：

(1)本发明设计的变时间尺度以及变幅度处理方法，解决了传统迭代学习控制要求具有固定目标的问题，为迭代学习控制在定形态隧道压力波激扰下执行准周期性的重复任务时提供了可能。

(2)本发明通过基于条件与性能匹配的迭代学习控制方法，匹配出与当前运行工况最接近的历史工况信息，并索引到最近运行工况所对应的最优控制量，然后将其输入到控制器中，避免了每一个工况条件均从初始控制量开始进行迭代的现象，从而减小了初始误差，提高了系统的收敛速度，获得了较好的控制效果。

(3)本发明通过构造高速列车历史运行数据库并根据控制性能对其进行不断更新，使数据库中的控制量在更多的工况条件下尽可能是最优的，从而进一步减小了初始误差，提高了控制性能。

(4)本发明设计的基于条件与性能匹配的迭代学习控制方法，在重复定形态隧道压力波激扰下能够有效抑制车内压力波动，提高了司乘人员的舒适性，为工程上更好地解决高速列车车内压力波动提供了一定的理论支撑。

附图说明

图1为本发明的基于条件与性能匹配的车内压力波动迭代学习控制方法流程图。

图2为本发明的高速列车历史运行数据库组成结构示意图。

图3为本发明的条件与性能匹配算法流程图。

具体实施方式

下面结合附图和具体实施方法对本发明作进一步说明。

本发明的一种基于条件与性能匹配的车内压力波动迭代学习控制方法如图1所示。具体包括以下步骤：

步骤1：建立高速列车历史运行数据库。

高速列车投入重复运营后，将产生位置信息、车速信息、隧道压力波、车内压力、风道阀门控制量、控制误差以及性能指标等大量重复数据。为对数据进行更好地存取管理，需要按照一定规则建立高速列车历史运行数据库，如图2所示。规则如下所示：将列车通过某一线路上某隧道的车速信息以及期望性能指标进行绑定，共同作为数据库索引，并建立包含隧道压力波、风道阀门控制量、控制误差等信息的数据表，最终能够有序高效地对高速列车历史运行数据实现结构化管理。

当高速列车每次通过隧道后，高速列车车内压力保护系统都会将当前工况信息(当前车速信息、期望性能指标)、隧道压力波信息以及系统控制信息(风道阀门控制量、控制误差)等储存到高速列车历史运行数据库中。当在历史运行数据库中进行数据读取时，将工况信息(包括车速信息以及期望性能指标)作为索引，能够快速定位到工况信息所对应的隧道压力波以及控制量信息并进行读取，以便获取最优阀门控制量。

步骤2：条件与性能匹配算法。

本发明实现的前提是在高速列车上安装GPS-惯性组合导航系统，以便能够预先获取线路隧道位置信息，即隧道位置信息是有标签的。而且根据同一高速列车通过同一隧道时，相近或相似运行工况所对应的阀门控制量也相近的特点，本发明设计了条件与性能匹配算法，如图3所示。因此，当高速列车进入某隧道前，本发明以当前工况信息(车速信息、期望性能指标)作为匹配条件，并将当前工况信息与历史工况信息进行匹配，找到与当前工况信息最接近的最优历史工况信息，然后将最优历史工况信息所对应的阀门控制量作为当前工况信息的控制量。

条件与性能匹配算法具体步骤为：

S21：由于车速信息、性能指标等数据量纲不统一，因此需要分别对当前和历史车速信息、期望性能指标和历史性能指标进行归一化处理，转化为[0,1]之间的数，归一化公式如下所示：

式中，x为归一化的工况数据；x′为原始工况数据；x′_max为原始工况数据的最大值；x′_min为原始工况数据的最小值。

S22：将归一化后的车速信息以及归一化后的性能指标分别作为匹配条件与性能，并将当前车速条件与期望性能指标同时作为当前工况信息，再通过计算公式衡量当前工况信息与数据库中所有历史工况信息之间的相似度。本发明采用欧氏距离来计算当前工况信息与历史工况信息之间的距离，且欧氏距离测量的是各样本数据在特征空间上的绝对距离，距离越小表明两个样本的相似度越高，距离越大表明两个样本数据的相似度越小，欧氏距离计算公式如下所示：

式中，d_i为样本之间的欧式距离；x_vc为归一化后的当前车速数据；x_vi为归一化后的数据库中第i个车速数据；x_Jc为归一化后的当前期望性能指标，x_Jc＝0；x_Ji为归一化后的数据库中第i个性能指标数据；n为数据库中历史工况信息的组数。

S23：当前工况信息与所有历史工况信息的距离计算完成后，选出与当前工况信息距离最小的一组历史工况信息，并将其所对应的风道阀门控制量信息匹配出来，本发明将通过条件与性能匹配算法从历史运行数据库中选取出的风道阀门控制量称为变时间尺度初始控制量。

步骤3：变时间尺度处理。

变时间尺度初始控制量与当前工况所需要的控制量在时间尺度方面存在差异，因此本发明需要进行变时间尺度处理，使得变时间尺度初始控制量的时间尺度与当前运行工况所需控制量的时间尺度保持一致，本发明将变时间尺度处理后的控制量称为定时间尺度最优控制量。

相同高速列车以不同速度通过某一隧道时，假设列车在隧道中运行时保持匀速，由于隧道长度是固定的，因此列车通过隧道的时间不同，进而造成重复隧道压力波数据的时间尺度也不同，从而影响控制量的时间尺度。为将变时间尺度初始控制量转变成定时间尺度最优控制量，本发明研究了不同时间尺度的控制量轨迹之间的关系，如下所示：

式中，l为隧道长度；

为第j次匹配得到的历史车速信息；

为第j次匹配得到的历史隧道压力波时间尺度；

为第j次匹配得到的历史隧道压力波离散时刻；T_s为采样周期；v_j为第j次车速信息；t_j为第j次隧道压力波时间尺度；k_j为第j次隧道压力波离散时刻。

更进一步的，可以得到如下关系式：

最终通过上式的转化，对控制量轨迹的时间尺度进行拉伸或缩放处理，使得变时间尺度初始控制量转变为定时间尺度最优控制量。其中，每个变时间尺度初始控制量轨迹与经过变时间尺度处理后的定时间尺度最优控制量轨迹是相同的，但是在时间尺度方面是不同的，具体关系如下所示：

式中，

为第j次定时间尺度最优控制量；

为对k^*时刻进行取整后的第j次变时间尺度初始控制量。

步骤4：变幅度处理。

当高速列车通过隧道时，车外产生了剧烈的隧道压力波，其会诱发车内产生幅值变化的压力波动。因此将幅值变化的车内压力作为控制目标，是不符合传统迭代学习控制对固定目标的要求的。考虑到车内压力波动控制系统的目的是将车内压力波动控制在一定舒适性范围内，而车内气压1s变化率更能评价车内压力波动对人耳舒适性的影响，因此本发明抓住列车通过隧道时影响人耳舒适性的根本原因，利用车内气压1s变化率定义气压舒适性指标，并将其作为控制目标，进而将变幅度问题转变为定幅度问题，气压舒适性指标如下所示：

Dp_j(k)＝max_τ∈Ω{P(τ)}-min_τ∈Ω{P(τ)}

式中，Q_j(k)为实际输出的第j次气压舒适性指标，Dp_d(k)为期望车内气压1s变化率；Dp_j(k)为实际输出的第j次车内气压1s变化率；P(τ)为第τ时刻的车内气压；Ω＝{τ|τ＝k,k+1,k+2,...,k+f_s}，f_s为采样频率。

步骤5：迭代学习控制方法；包括初始控制量的确定、误差的确定、迭代学习律的设计以及性能指标的确定。

S51：初始控制量的确定。

将经过基于条件与性能匹配算法以及变时间尺度处理后的控制量设定为迭代学习控制方法的初始控制量，即

。该初始控制量是与当前工况最匹配且经过变时间尺度处理后的控制量，将其作为初始控制量输入到迭代学习控制器中，并基于控制误差对控制量进行修正，最终通过不断迭代，能够对车内压力波动进行控制。

S52：误差的确定。

由于期望气压舒适性指标Q_d(k)＝0，因此误差e_j(k)设定为期望气压舒适性指标Q_d(k)与实际输出的第j次气压舒适性指标Q_j(k)的差值，如下所示：

e_j(k)＝Q_d(k)-Q_j(k)

S53：迭代学习律的设计。

在迭代学习控制初期，由于存在较大的误差，因此在迭代学习控制初期可以选择较大的增益来提高响应速度，减少上升时间；而到迭代学习控制后期，需要不断减小增益来抑制输出振荡。因此，选择变增益P型迭代学习律作为迭代学习控制方法的学习律，其具体表达式如下所示：

u_j+1(k)＝u_j(k)+K_pje_j(k)

式中，u_j+1(k)为第j+1次控制输入信号；u_j(k)为第j次控制输入信号；K_pj为比例增益系数，

其中λ₁和λ₂是变增益系数，在迭代学习前，需要确定合适的λ₁和λ₂。

S54：性能指标的确定。

本发明将误差∞范数作为迭代学习控制的性能指标，当性能指标满足某一误差允许限时，可认为迭代学习控制已经达到收敛。误差∞范数||e_j(k)||_∞的定义如下所示：

J＝||e_j(k)||_∞＝max(|e_j(k)|)

步骤6：更新高速列车历史运行数据库。

为评估在迭代前、后的匹配控制量作用下的控制系统性能，需分别得到迭代前的匹配控制量作用下的性能J_b和迭代后的匹配控制量作用下的性能J_a，然后对比两种性能的大小，来对高速列车历史运行数据库进行更新。

在每次迭代后，高速列车历史运行数据库都需要进行更新，以便将具有更高性能的控制量留在历史运行数据库中，进而确保数据库中的控制量在更多的条件下尽可能是最优的，从而达到更好的控制效果。

若J_b>J_a，即在迭代后的匹配控制量作用下的性能优于在迭代前的匹配控制量作用下的性能，则将迭代前的匹配数据(包括车速、隧道压力波、控制量、控制性能)替换为迭代后的匹配数据；若J_b<J_a，即在迭代后的匹配控制量作用下的性能差于在迭代前的匹配控制量作用下的性能，则保留迭代前的匹配数据(包括车速、隧道压力波、控制量、控制性能)，删除迭代后的匹配数据。

通过以上操作，高速列车历史运行数据库会不断更新，性能好的数据会逐渐留在数据库中，性能差的数据会不断被淘汰，最终在不断迭代更新下，数据库中的控制量所对应的控制性能越来越好，且数据库中的数据量不会因为太大而导致读取速度变慢。

Claims (3)

1.一种基于条件与性能匹配的车内压力波动迭代学习控制方法，其特征在于，包括以下步骤：

步骤1：建立高速列车历史运行数据库；高速列车历史运行数据库包含车速信息、隧道压力波、风道阀门控制量、控制误差以及性能指标；

步骤2：条件与性能匹配算法；

S21：对当前车速、历史车速信息和当前期望性能指标、历史指标信息进行归一化处理；

S22：利用欧氏距离计算当前工况信息与历史工况信息之间的距离；

S23：将与当前工况信息距离最小的一组历史工况信息所对应的风道阀门控制量信息匹配出来，作为变时间尺度初始控制量信息；

步骤3：变时间尺度处理；

对控制量轨迹的时间尺度进行拉伸或缩放处理，使得变时间尺度初始控制量转变为定时间尺度最优控制量；

步骤4：变幅度处理；

利用车内气压1s变化率，定义气压舒适性指标，并将其作为控制目标，进而将变幅度问题转变为定幅度问题；

步骤5：迭代学习控制方法；包括初始控制量的确定、误差的确定、迭代学习律的设计以及性能指标的确定；

步骤6：更新高速列车历史运行数据库。

2.根据权利要求1所述的一种基于条件与性能匹配的车内压力波动迭代学习控制方法，其特征在于，所述步骤5迭代学习控制方法具体如下：

S51：初始控制量的确定；

初始控制量u₁(k)为经过基于条件与性能匹配算法以及变时间尺度处理后的控制量

即

S52：误差的确定；

误差e_j(k)设定为期望气压舒适性指标Q_d(k)与实际输出的第j次气压舒适性指标Q_j(k)的差值，即e_j(k)＝Q_d(k)-Q_j(k)；

S53：迭代学习律的设计；

将变增益P型迭代学习律作为迭代学习控制方法的学习律，其表达式为：

u_j+1(k)＝u_j(k)+K_pje_j(k)

式中，u_j+1(k)为第j+1次控制输入信号；u_j(k)为第j次控制输入信号；K_pj为比例增益系数，

其中λ₁和λ₂是变增益系数；

S54：性能指标的确定；

将误差∞范数||e_j(k)||_∞作为迭代学习控制的性能指标，其定义为：

J＝||e_j(k)||_∞＝max(|e_j(k)|) 。

3.根据权利要求1所述的一种基于条件与性能匹配的车内压力波动迭代学习控制方法，其特征在于，所述步骤6具体为：

若在迭代后的匹配控制量作用下的性能J_a优于在迭代前的匹配控制量作用下的性能J_b，则将迭代前的匹配数据替换为迭代后的匹配数据；若在迭代后的匹配控制量作用下的性能J_a差于在迭代前的匹配控制量作用下的性能J_b，则保留迭代前的匹配数据，删除迭代后的匹配数据。

Images