一種高速列車非線性動力學模型參數的在線辨識方法
【技術領域】
[0001] 本發(fā)明屬于系統(tǒng)參數辨識技術領域，具體涉及一種高速列車非線性動力學模型參 數的在線辨識方法。
【背景技術】
[0002] 近年來，為了滿足快速增長的旅客運輸需求，滿足國民經濟發(fā)展的需要，具有速度 高、能耗低、運力大、安全正點等諸多技術經濟優(yōu)勢的高速鐵路得到了飛速發(fā)展，成為世界 各國優(yōu)先發(fā)展的綠色交通工具。與此同時，隨著運行速度的提高，列車與接觸網、輪軌、空氣 的相互作用顯著增加，列車的控制復雜度顯著增加。與此同時，由于車輛的性能差異，以及 運行過程中受天氣、路況等隨機干擾的影響，使得車輛的動力學模型參數往往無法直接獲 知。由于準確的動力學模型是實現列車控制、確保列車安全和穩(wěn)定運行的核心，因而，針對 高速列車動力學模型，依據實時列車監(jiān)測數據，建立其在線參數辨識理論與方法具有重要 的理論和實際應用價值。
[0003] 在實施參數辨識過程中，我們發(fā)現高速列車的動力學特性表現出顯著的非線性特 征，而現有的非線性動力學模型參數辨識方法，包括最小二乘法，梯度校正法，極大似然法 等，都是基于監(jiān)測數據的離線參數辨識，且其系統(tǒng)噪聲往往假定為高斯白噪聲，缺乏通用性 和實用性。針對這些問題，我們設計出了針對高速列車非線性動力學模型的在線參數辨識 方法。

【發(fā)明內容】

[0004] 本發(fā)明的目的是提供一種高速列車非線性動力學模型參數的在線辨識方法，解決 了現有技術中存在的模型參數辨識計算復雜，計算量大，實時性差的問題。
[0005] 本發(fā)明所采用的技術方案是，一種高速列車非線性動力學模型參數的在線辨識方 法，具體按照以下步驟實施：
[0006] 步驟1、建立高速列車系統(tǒng)的動力學狀態(tài)空間模型；
[0007] 步驟2、分析步驟1中建立的動力學狀態(tài)空間模型受到的干擾，獲取系統(tǒng)在干擾下 的模型參數集，并初始化每組參數的權值，使權值相等；
[0008] 步驟3、分別將步驟2得到的模型參數集中的參數代入步驟1中系統(tǒng)的動力學狀態(tài) 空間模型；
[0009] 步驟4、利用粒子濾波算法對步驟3中不同參數情況下的系統(tǒng)狀態(tài)進行估計，得到 系統(tǒng)狀態(tài)估計值；
[0010] 步驟5、利用步驟4得到的系統(tǒng)狀態(tài)估計值，根據觀測噪聲的概率密度函數計算當 前時刻不同參數的后驗概率，并更新每組參數的權值；
[0011] 步驟6、判斷步驟5中是否有參數的權值趨近于1，有則停止執(zhí)行；否則，返回步驟 4繼續(xù)執(zhí)行；
[0012] 步驟7、隨著系統(tǒng)運行，真實參數的權值逐漸趨近于1，則得到辨識結果。
[0013] 本發(fā)明的特點還在于，
[0014] 步驟1中的動力學狀態(tài)空間模型為：
【主權項】
1. 一種高速列車非線性動力學模型參數的在線辨識方法，具體按照以下步驟實施： 步驟1、建立高速列車系統(tǒng)的動力學狀態(tài)空間模型； 步驟2、分析所述步驟1中建立的動力學狀態(tài)空間模型受到的干擾，獲取系統(tǒng)在所述干 擾下的模型參數集，并初始化每組參數的權值，使權值相等； 步驟3、分別將所述步驟2得到的模型參數集中的參數代入所述步驟1中系統(tǒng)的動力學 狀態(tài)空間模型； 步驟4、利用粒子濾波算法對所述步驟3中不同參數情況下的系統(tǒng)狀態(tài)進行估計，得到 系統(tǒng)狀態(tài)估計值； 步驟5、利用所述步驟4得到的系統(tǒng)狀態(tài)估計值，根據觀測噪聲的概率密度函數計算當 前時刻不同參數的后驗概率，并更新每組參數的權值； 步驟6、判斷所述步驟5中是否有參數的權值趨近于1，有則停止執(zhí)行；否則，返回步驟 4繼續(xù)執(zhí)行； 步驟7、隨著系統(tǒng)運行，真實參數的權值逐漸趨近于1，則得到辨識結果。
2. 根據權利要求1所述的一種高速列車非線性動力學模型參數的在線辨識方法，其特 征在于，所述步驟1中的動力學狀態(tài)空間模型為：
yk= [1 〇]xk+ek 式中，k表示基于時間的采樣點，xlk=sk,x2k=vk分別表示狀態(tài)xk的第一、第二分量，uk，yk為系統(tǒng)的輸入和輸出，a,b,c為阻力系數，wkGR2,ekGR分別表不列車的狀態(tài)、輸出 受到的隨機噪聲，I為列車加速度系數，T為采樣周期。
3. 根據權利要求1所述的一種高速列車非線性動力學模型參數的在線辨識方法，其特 征在于，所述步驟2中的高速列車系統(tǒng)受到的隨機過程噪聲和觀測噪聲服從任意概率密度 分布，概率密度函數用通式表示為P(wk)、p(ek)。
4. 根據權利要求1所述的一種高速列車非線性動力學模型參數的在線辨識方法，其特 征在于，所述步驟2中模型參數集為D= { 0u 1 = 1，2,. . .，n}，真實參數0GD，其中 已知先驗參數，常數n表示參數集D中元素的個數，在初始化時，每組參數的權值均 設置夕
5. 根據權利要求1所述的一種高速列車非線性動力學模型參數的在線辨識方法，其特 征在于，所述步驟4中對系統(tǒng)狀態(tài)的估計具體步驟如下： 4. 1)首先設定粒子濾波算法中使用到的粒子個數為M，同時設初始狀態(tài)的均值和方差 為yi，并根據初始狀態(tài)的分布初始化粒子為二，相應的權值為?[￥ = 1/M^^，令 所述步驟1中的狀態(tài)空間模型的時刻k= 1 ; 4. 2)獲取步驟4. 1)中k時刻的真實觀測輸出值yk; 4.3)根據系統(tǒng)的觀測方程yk= [1 0]xk+ek和各組參數0i(l=l，...，n)分別求得該 時刻系統(tǒng)輸出的估計值只G=丨，…#); 4. 4)計算步驟4. 3)中該時刻每組參數下每個粒子xf對應的權值cyf，權值仍;"的計算 公式如下：
并對其進行歸一化，得到I 的計算公式如下：
4. 5)根據步驟4. 4)中粒子< 和對應的歸一化權值，計算得到每組參數下該時刻狀 態(tài)的估計{!
4. 6)根據步驟4. 4)中每個粒子的歸一化權值對粒子xf進行重要性重采樣，重要性 重采樣的步驟為： a) 、首先令i= 1，其取值范圍為（1，M)，表示重采樣后的粒子序號； b)、產生一個服從均勾分布的隨機數u，并引入一個輔助量--權值和《Sum，初始化該 權值和為《Sum= 0,通過比較隨機數u與權值和wSum實現重采樣過程； c) 、令j= 1，其取值范圍為（1，M)，表示重采樣前的粒子序號； d) 、令所述步驟b)中的權值和的更新公式為+ ，將《sum與步驟b) 中的隨機數u比較，如果《Sum不小于u，則將對應的粒子xf作為該時刻濾波后的粒子 然后令所述步驟a)中的粒子序號i-i+1，重復b)、c)、d);否則令所述步驟c)中的粒子 序號j-j+1，重復步驟d)，直到j>M時停止； 4.7)經過步驟4.6)重采樣后，得到的粒子為{if}二相應的權值為 4. 8)根據狀態(tài)方程
PM和所述步驟4. 7)重 采樣后的粒子 < 得到k+1時刻的粒子^+1。
6.根據權利要求1所述的一種高速列車非線性動力學模型參數的在線辨識方法，其特 征在于，所述步驟5中不同組參數的后驗概率計算公式為：<^ =/?^只|凡)，相應的權值計 算公式為：
【專利摘要】本發(fā)明公開了一種高速列車非線性動力學模型參數的在線辨識方法，實現步驟為：根據實際的高速列車系統(tǒng)建立其相應系統(tǒng)模型，分析系統(tǒng)可能受到的噪聲干擾，獲取這些干擾下的模型參數集，并初始化各組參數的權值，利用粒子濾波算法對各組參數情況下系統(tǒng)的狀態(tài)進行估計，獲取系統(tǒng)當前的觀測輸出，通過觀測噪聲的概率密度函數計算輸出值已知條件下各組參數的后驗概率，并更新各組參數的權值，隨著系統(tǒng)運行，根據各組參數的權值得到辨識結果，本發(fā)明降低了參數辨識的計算量，提高了辨識的準確率，并能實時的對系統(tǒng)參數進行辨識。
【IPC分類】G06F17-50
【公開號】CN104809292
【申請?zhí)枴緾N201510208747
【發(fā)明人】謝國, 張丹, 黑新宏, 錢富才, 馬維綱
【申請人】西安理工大學
【公開日】2015年7月29日
【申請日】2015年4月28日