基于多模切换快速迭代UKF的列车速度追踪方法技术

本发明专利技术公开了一种基于多模切换快速迭代UKF的列车速度追踪方法，将UT变换引入传统Kalman滤波器中，组成适用于非线性系统的UKF；对运动模型线性及非线性的线路运行区段，分别采用KF和UKF进行控制，且通过预设不同的Q值，增强滤波器的跟踪性能；借鉴迭代控制理论中相关思想，将迭代控制引入UKF控制中，进行样本点的多次采样以提高控制器的追踪稳定性；借鉴快速强跟踪UKF中渐消因子的引入方法，将渐消因子引入设计的迭代UKF中，组成快速迭代UKF算法，降低滤波的运算量，保证货运列车自动驾驶速度追踪控制系统的追踪精度。速度追踪控制系统的追踪精度。速度追踪控制系统的追踪精度。

【技术实现步骤摘要】
基于多模切换快速迭代UKF的列车速度追踪方法


[0001]本专利技术涉及到现代控制领域的具体实现方法，特别是货运列车自动驾驶时的输出速度曲线追踪领域。
技术背景
[0002]随着人类社会步入21世纪，全世界已经进入一个互联互通的地球村时代，生产力、生产资源都在世界范围内自由流动，按照人口和地区进行分配。当前世界范围内已经运行的最长铁道线路是连接西班牙和中国的国际铁道线路——“新丝绸之路”，线路总长为13000千米，行驶一趟需要耗费十余天的时间。同时，我国作为世界上人口最多的国家，已经于2018年底建成13万余公里的运营铁道线路，为世界第三，亚洲之最。其中2000千米以上的铁路包括3条，1700千米以上的铁路有5条之多。长距离、长时间的手动列车驾驶对列车司机是身体与心理的严峻考验。近年来，自动驾驶技术出现在相关领域研究人员的视线中，相较于手动驾驶，自动驾驶技术拥有诸多优点，例如低能耗、高稳定性、高效率、低事故率，能大大减少列车驾驶员的驾驶强度。在具体的技术实现方面，线路条件的复杂性、未知的路况以及多边的天气条件制约着自动驾驶技术的发展。伴随着现代控制理论，特别是追踪控制理论的不断完善发展，列车自动驾驶技术的实现又成为可能。
[0003]作为自动驾驶技术中最重要最难的技术部分，通过控制手段使得列车实时输出速度曲线追踪离线优化后的速度运行曲线是保证自动驾驶技术有效实施的关键。最早商用的速度追踪控制算法是传统的PID控制算法，通过将离线优化有的目标速度曲线与控制器输出的实际曲线之间的偏差送入PID控制器中，由控制器进行稳态误差的处理，输出合适的控制量。在运行点切换时，为尽可能的追踪目标曲线，需要进行多次手柄切换，实用性能较差。后续日本学者采用了基于模糊决策和评价的专家控制系统。但由于该算法是建立在专家规则之上的，需要不断累积优秀司机的驾驶经验，在驾驶经验较少的冷门线路运行时，也存在不稳定性。伴随着新的现代控制思想的不断涌现，新的控制策略将会不断应用在列车自动驾驶中的速度跟踪上。
[0004]货运列车行驶需要满足多种约束，如安全约束、稳定性约束以及控制输入约束。在满足各种约束的前提下，为满足高精度的速度快速追踪与停车精度，新一代采用更加合理控制策略的列车自动运行装置 (Automatic Train Operation,ATO)急需面世。基于时域的Kalman滤波方法将状态空间的概念引入随即估计理论中，把信号过程视作噪声作用下的线性系统输出，用空间状态方程描述这种输入输出关系，非常适用于带有一定不确定性的货运列车自动驾驶系统。但列车的运动方程显然不是线性的，通过引入无迹变换(UnscentedTransformation,UT)将传统Kalman拓展为适用于非线性系统的无迹Kalman滤波(Unscented Kalman Filter,UKF)。通过观察离线优化后的曲线，大致可把目标速度曲线分为变速运行路段和匀速运行路段，不同的路段采用不同的滤波策略，以达到更好的预测跟踪效果。同时将迭代算法中的思想引入传统Kalman滤波控制，引入渐消因子减小单次滤波的计算量，保证设计的算法兼具迭代控制的收敛性能，并保持一定的简洁度，降低对控制器
的单次计算要求。

技术实现思路

[0005]针对上述货运列车自动驾驶技术实现中输出速度曲线追踪目标输出曲线难以实现的问题，本专利技术公开了一种基于多模切换快速迭代 UKF的货运列车自动驾驶速度追踪方法，将UT变换引入传统Kalman滤波器(Kalman Filter,KF)中，组成适用于非线性系统的UKF；对运动模型线性和非线性的线路运行区段，分别采用KF和UKF进行控制，且通过预设不同的Q值，增强滤波器的追踪性能；借鉴迭代控制理论中相关思想，将迭代控制引入UKF控制中，进行样本点的多次采样以提高控制器的追踪稳定性；借鉴快速强跟踪UKF中渐消因子的引入方法，将渐消因子引入设计的迭代UKF中，组成快速迭代UKF算法，降低滤波的运算量，保证货运列车自动驾驶速度快速追踪控制系统精度。
[0006]本专利技术解决上述技术问题的方案是：
[0007]分析货运列车在行驶状态的受力情况，对其运动模型进行数学描述；
[0008]在获得货运列车运动数学模型后，化为现代控制理论中的空间状态方程形式，依据Kalman滤波的要求分别求得其状态转移矩阵、控制输入矩阵、误差矩阵以及观测矩阵；
[0009]将货运列车行驶路段划分为匀速行驶路段和变速行驶路段，分别采用KF和UKF进行预测追踪操作；
[0010]KF对于线性系统拥有良好的追踪性能，对于非线性部分的UKF，从第一个样本点开始引入UT变换，将KF拓展至非线性领域，同时引入迭代控制思想，在样本点处进行多次采样，直至精度达到滤波要求；
[0011]在迭代UKF(IUKF)中引入渐消因子，在保证样本点精度的同时，降低控制器的计算量，同时达到货运列车运行环境速度追踪自适应控制目的；
[0012]用稳定性约束等约束评判货运列车自动驾驶速度输出曲线的合理性，若满足相关约束，且具备良好的货运列车速度追踪性能，则满足ATO系统的追踪要求。
[0013]本专利技术的技术效果在于：利用了Kalman滤波器作为一种递归算法对货运列车运行数据的最优预测及速度追踪能力，使列车的实时速度曲线得以追踪离线优化的最优曲线；通过引入状态空间矩阵实现对目标系统的数学描述，避免了繁杂的数学推导过程；通过两种Kalman模型的切换控制优化了对目标曲线的追踪性能，提高了控制器的自适应能力；引入迭代控制思想，在样本点进行多次采样，提高控制系统的精度；引入渐消因子，简化采样过程，在保证采样精度的同时简化计算过程，降低控制器单次计算量和总控制量。
附图说明
[0014]图1为针对货运列车自动驾驶速度追踪应用的多模切换快速迭代UKF控制框图；
[0015]图2为货运列车行驶阻力图；
[0016]图3为货运列车行驶速度
‑
时间曲线图；
[0017]图4为提高货运列车自动驾驶速度快速追踪控制系统精度的多模切换快速迭代UKF控制框图。
[0018]具体实现方式
[0019]下面结合附图，对本专利技术进行进一步的详细说明。
[0020]货运列车自动控制系统(Automatic Train Contol,ATC)由列车自动驾驶(Automatic Train Operation,ATO)、列车自动监控(AutomaticTrain Supervision,ATS)系统和列车超速防护(Automatic TrainProtection,ATP)系统组成。列车行驶之前，ATS通过相关设备将货运列车的行驶任务传送到列车。在货运列车行驶过程中，ATP计算出货运列车行驶防护曲线，并将列车行驶的实时数据送给ATO系统，同时实时检测ATO系统的具体工作转态。ATP系统主要负责货运列车的行驶安全，不仅可实时计算货运列车的行驶防护曲线，还将时刻监控列车的实际运行速度，确保其不超过当前的最高限制速度。作为列车实现自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多模切换快速迭代UKF的列车速度追踪方法包括以下步骤：基于货运列车在实际行驶过程中可能会受到的各种力的作用，从货运列车自身的运行状态出发，依据基本的动力学方程，直接建立列车的运动模型；结合kalman滤波器的相关原理，得到货运列车模型系统的状态转换方程、观测方程等系列方程；依据货运列车运行曲线的结构，可将运行路段分为变速运行路段和匀速运行路段，分别使用KF和UKF进行速度快速追踪，选取不同大小的状态协方差，以提高滤波器的跟踪性能；UKF在系统每次采样之前引入UT变换，克服货运列车自动驾驶速度追踪系统非线性程度大、模型不准确等问题；单次的UKF滤波算法存在反应速度慢、收敛精度不高等问题，受迭代控制算法的启发，考虑将迭代算法与UKF算法相结合，提高滤波器的滤波性能以及输出曲线的收敛速度；多次迭代滤波必然使得单次采样的计算量陡增，受快速强跟踪UKF算法的启发，考虑将快速强跟踪UKF中带有的渐消因子引入迭代UKF算法中，组成快速迭代UKF算法；将快速迭代UKF输出的速度曲线进行列车的安全性约束等约束评价，以保证输出曲线有较好的追踪效果，同时可以保证安全的行驶效果。2.根据权利要求1所述的状态转换方程是现代控制理论中用以描述待控制系统模型的一阶微分方程的系数矩阵。相比于传统控制理论中用传递函数描述系统模型的方法，空间状态方程在形式上更加直观，没有繁杂的计算过程，后续用以判断系统的稳定性也更加方便，更加接近货运列车自动驾驶系统速度追踪实...

【专利技术属性】
技术研发人员：易灵芝，易余，余煌，黄健雄，兰永红，兰志勇，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：