基于大數(shù)據(jù)的高速列車氣動載荷作用下迭代學習主動控制研究

陳春俊，孫　宇，何洪陽

(西南交通大學 機械工程學院，成都　610031)

?

基于大數(shù)據(jù)的高速列車氣動載荷作用下迭代學習主動控制研究

陳春俊，孫宇，何洪陽

(西南交通大學 機械工程學院，成都610031)

摘要：列車在高速運行的過程中與另一列車相交會時，將產(chǎn)生劇烈的瞬態(tài)氣動載荷沖擊而引起車體瞬間橫向振動加劇，導致列車橫向平穩(wěn)性惡化；為了改善列車運行平穩(wěn)性，采用大數(shù)據(jù)方法及迭代學習控制思想，提出基于高速列車運行大數(shù)據(jù)的迭代學習主動控制算法，并進行多體動力學與控制算法的聯(lián)合仿真，進一步研究控制算法對會車氣動載荷幅值變化和會車時間變化的魯棒性；結(jié)果表明：大數(shù)據(jù)迭代學習主動控制經(jīng)過5次迭代后對會車氣動載荷激擾下的車體橫向振動峰值降低52.67%，且控制算法對會車工況變化有較好的魯棒性。

關(guān)鍵詞：高速列車；氣動載荷；大數(shù)據(jù)；迭代學習控制；主動控制

0引言

列車在低速運行時，軌道不平順是影響車體橫向振動的主要因素，隨著列車運行速度提高，列車空氣動力學效應(yīng)加劇。尤其在交會及隧道通過時，車體受到劇烈的會車壓力波與隧道壓力波作用，產(chǎn)生瞬態(tài)氣動載荷沖擊而引發(fā)車體橫向振動加劇，造成車體橫向平穩(wěn)性惡化[1-5]。研究表明高速列車主動與半主動控制是提高列車運行平穩(wěn)性的有效方法[6]。但傳統(tǒng)的主動、半主動控制方法主要是針對軌道不平順激勵下的車體振動而設(shè)計的，軌道不平順激勵下車體振動為平穩(wěn)隨機振動，而氣動載荷激勵下的車體振動為瞬態(tài)非平穩(wěn)隨機振動，傳統(tǒng)控制方法由于控制算法和執(zhí)行器頻率響應(yīng)的限制，難以取得很好的控制效果[7-9]。

隨著多傳感器融合技術(shù)、物聯(lián)網(wǎng)技術(shù)、云處理技術(shù)的及電子存儲技術(shù)的快速發(fā)展，迎來“大數(shù)據(jù)”時代?！按髷?shù)據(jù)”被定義為：“超過了典型數(shù)據(jù)庫軟件工具捕獲、存儲、管理和分析數(shù)據(jù)能力的數(shù)據(jù)集?！蹦壳?，“大數(shù)據(jù)”技術(shù)的應(yīng)用逐漸從金融、健康醫(yī)護和氣象監(jiān)測領(lǐng)域向電力、運輸、軍事等多個領(lǐng)域滲透，出現(xiàn)了許多研究成果[10-13]。大數(shù)據(jù)方法將成為繼理論分析、仿真計算及試驗方法之后的又一種科學研究方法。

高速列車一旦投入到路局某條線路運行時，該列車將長時間在相同線路、相同運行工況下周期性的重復運行。在不斷地重復運行的過程中，列車將產(chǎn)生包括運行狀態(tài)、線路信息、會車壓力波及隧道壓力波、車體振動及舒適度等海量的準周期數(shù)據(jù)。如何充分利用這些準周期大數(shù)據(jù)提高列車安全性和舒適性，顯得至關(guān)重要，也將會是未來研究的新方向。

針對上述問題，基于列車線路運行的大數(shù)據(jù)特點，提出基于大數(shù)據(jù)的迭代學習主動控制算法，并對氣動載荷引起的車體橫向振動進行控制。為會車壓力波或隧道壓力波作用下車體橫向振動特性改善提供新的思路及解決方法。

1大數(shù)據(jù)迭代學習控制原理及過程

1.1大數(shù)據(jù)迭代學習控制原理

列車在同一線路上重復運行過程中，每次將重復與其它列車交會，并產(chǎn)生會車壓力波帶來的劇烈振動。為了能夠有效控制交會瞬態(tài)氣動載荷引起的車體振動，同時降低控制算法對執(zhí)行機構(gòu)響應(yīng)要求，采用大數(shù)據(jù)迭代學習控制算法。

迭代學習控制適用于具有重復周期工作的被控系統(tǒng)，它的目標是實現(xiàn)有限區(qū)間上的完全跟蹤任務(wù)。它通過對被控系統(tǒng)進行控制嘗試，以輸出信號與給定目標的偏差修正不理想的控制信號，使得系統(tǒng)的跟蹤性能得以提高[14-15]。列車在交會的過程中產(chǎn)生的氣動載荷會受到運行速度、交會車型、軌道線間距等情況的影響，每次交會的過程并不完全重復，并不能直接采用迭代學習控制。

高速列車作為高科技產(chǎn)品，列車本身安裝了大量車載傳感器，如運行速度、里程、位置、軸箱、轉(zhuǎn)向架、受電弓、車內(nèi)溫濕度、車內(nèi)壓力波動等列車位置、運行狀態(tài)及參數(shù)監(jiān)測。在此基礎(chǔ)上如進一步對列車車體振動、空氣動力學參數(shù)進行長期運行的監(jiān)測，列車長期運行的結(jié)果是大量傳感器數(shù)據(jù)構(gòu)成了該車的大數(shù)據(jù)信息。大數(shù)據(jù)中記錄了列車交會時刻的速度、位置、交會時長、軌道情況、列車表面壓力波、車體振動情況等數(shù)據(jù)。充分利用這些大數(shù)據(jù)，從中挖掘出列車交會的過程中的準周期數(shù)據(jù)，利用這些準周期會車信息結(jié)合迭代學習控制算法可實現(xiàn)列車的會車時列車平穩(wěn)性。

基于大數(shù)據(jù)的列車主動懸掛迭代學習控制原理如圖1所示，系統(tǒng)的主要組成包括：

1)監(jiān)測系統(tǒng)：包括列車現(xiàn)有的車載傳感器，及為實現(xiàn)主動控制而增加的加速度、氣壓等傳感器。檢測系統(tǒng)能夠?qū)崟r監(jiān)測列車運行過程中的速度、位置、軌道情況、振動與氣壓等數(shù)據(jù)。

2)數(shù)據(jù)分析預(yù)處理系統(tǒng)：對采集到的大量數(shù)據(jù)進行匹配分析，從中提取出有當前狀況的周期信息。

3)控制決策系統(tǒng)：包括運行數(shù)據(jù)檢索與匹配系統(tǒng)和迭代學習兩部分。通過讀取實時數(shù)據(jù)與數(shù)據(jù)庫中的歷史數(shù)據(jù)，判斷列車運行周期性數(shù)據(jù)，并根據(jù)以往的數(shù)據(jù)進行迭代學習，得到所需的控制量。

4)執(zhí)行機構(gòu)：主動懸掛系統(tǒng)的執(zhí)行機構(gòu)為作動器，安裝在列車車體與構(gòu)架之間，用于輸出控制力。

圖1　基于大數(shù)據(jù)的列車控制原理圖

列車傳感器系統(tǒng)實時監(jiān)測列車的速度、里程、車體表面氣壓、車體振動等信息，對列車交會進行預(yù)測和判斷。當列車在開始交會時，控制系統(tǒng)根據(jù)工況匹配條件將采集到的數(shù)據(jù)與數(shù)據(jù)庫中的歷史數(shù)據(jù)進行對比，搜索出與本次交會工況最為接近的歷史迭代數(shù)據(jù)，以此迭代學習計算出本次控制的輸出，并保存控制的結(jié)果，為下次迭代提供數(shù)據(jù)。在列車長期運行的過程中不斷重復該迭代過程，直到控制效果滿足要求。

1.2迭代學習過程

傳統(tǒng)迭代學習控制是用上周期數(shù)據(jù)和本周期計算出本次迭代的輸出值，迭代過程以迭代次數(shù)k為迭代軸。而在大數(shù)據(jù)迭代學習控制中，本次迭代的輸出并不一定是上一周期的數(shù)據(jù)，而是根據(jù)歷史周期搜索匹配得到的，根據(jù)列車運行工況參數(shù)的不同，在計算的過程中存在多個參數(shù)的匹配以及歷史最佳的控制周期為上一個迭代學習周期。

在大數(shù)據(jù)迭代學習中，對于第k次迭代，存在工況匹配條件fk(vk,sk,pk,ak)，其中v為列車運行速度，s為列車運行里程，p為車體表面壓力，a為車體振動加速度。根據(jù)工況條件f之間的相關(guān)度將整個迭代過程劃分為多個迭代軸進行，對于同一迭代軸中的迭代輸出和誤差，可表示為：

式中,ui,f,ei,f為考慮了工況條件的迭代輸出與誤差，ρ(fi,fj)為fi與fj的相關(guān)度，ε為相關(guān)度閾值。

只要工況條件f的相關(guān)度達到預(yù)先設(shè)定的閾值ε，便可以認為兩個工況之間是近似重復的，這樣便可以根據(jù)前一次的迭代數(shù)據(jù)來計算本次迭代所需的控制輸出。對于同一迭代軸，其迭代過程與傳統(tǒng)迭代學習控制相同。

在選擇迭代學習律時，在保證算法收斂性的基礎(chǔ)上，需要考慮對系統(tǒng)的擾動具有一定的抑制能力，同時具有較快的收斂速度，采用二階閉環(huán)迭代學習律?；诖髷?shù)據(jù)的迭代學習律可表示為：

(1)

式中,i為工況條件f下的迭代次數(shù)；yd(t)為理想輸出；ei,f(t)=yd(t)-yi,f(t)為跟蹤誤差；P0為閉環(huán)學習系數(shù)；Qj、Pj，j=1,2,…N，為開環(huán)迭代學習系數(shù)矩陣。

2系統(tǒng)仿真模型

2.1主動懸掛模型

列車橫向主動懸掛是在列車被動懸掛的基礎(chǔ)上，采用二系橫向作動器代替二系橫向阻尼器，通過輸出控制力對車體橫向振動進行控制。采用多體動力學軟件UM建立列車動力學模型，同時考慮輪軌接觸幾何關(guān)系的非線性、橫向止擋的非線性、抗蛇行減振器以及部分減振器的非線性特性，蠕滑力的計算采用Kalker非線性蠕滑理論。除彈性、阻尼元件外的各個部件均視為剛體，對于車體、構(gòu)架和輪對分別均考慮橫移、沉浮、伸縮、側(cè)滾、點頭和搖頭6個自由度，單節(jié)列車的動力學模型共42個自由度。選用LMA型踏面作為車輪踏面，鋼軌采用60 kg標準型鋼軌，單節(jié)列車模型如圖2所示。

圖2　車輛多體動力學模型

列車運行過程中，同時受到軌道不平順和氣動載荷激勵，列車主動懸掛系統(tǒng)的動力學方程可寫成如下形式[6]：

(2)

2.2氣動載荷加載

兩列車明線上350 km/h等速交會，其相對速度達到700 km/h，超過0.3馬赫數(shù)，采用可壓縮流三維瞬態(tài)的雷諾時均Navier-Stokes方程和κ-ε方程的湍流模型進行數(shù)值仿真，得到列車表面的壓力分布。然后通過二次開發(fā)編程得會車氣動載荷，即氣動阻力Fx、氣動側(cè)向力Fy、氣動升力Fz和側(cè)滾力矩Mx、點頭力矩My、搖頭力矩Mz。

受論文篇幅所限，采用文獻[1]和[2]中CFD仿真計算結(jié)果。氣動力與氣動力矩時域波形如圖3所示，可知會車時間大約0.9 s，將上述氣動力和力矩加載在車體上，同時對方程(2)進行求解，即可得到車體橫向振動加速度。采用UIC作為軌道不平順激擾譜，系統(tǒng)采樣頻率取1 kHz。

圖3　氣動載荷時域圖

3仿真分析

3.1迭代學習控制與被動懸掛系統(tǒng)比較

根據(jù)大數(shù)據(jù)迭代學習控制的原理，實現(xiàn)多體動力學軟件UM和MATLAB/SIMULINK的聯(lián)合仿真。加載兩列車以350 km/h速度級交會的氣動載荷，仿真時間t=20 s。為了便于分析，僅考慮同一迭代軸的情況，假設(shè)列車在20 s的時間內(nèi)經(jīng)歷了5次相同的交會工況，即每隔4 s加載一次相同的明線交會氣動載荷，加載的時間分別為2 s、6 s、10 s、14 s與18 s。迭代學習控制的工作時間為從開始進入會車到結(jié)束會車的0.9 s。

設(shè)置迭代學習控制理想輸出yd(t)=0，在保證收斂性的情況下，為加快收斂速度，經(jīng)過不斷試選，最終選擇學習系數(shù)P0=2 000，P1=P2=1 500，Q1=Q2=6 000。其中二系橫向阻尼值被動懸掛優(yōu)化值Csy=20 kN·s/m，對比被動懸掛和主動懸掛迭代學習控制，結(jié)果如圖4~6所示和表1所示。

圖4　迭代學習過程

圖5　車體振動加速度變化

圖6　輸出力變化

采用基于大數(shù)據(jù)的迭代學習控制算法，在第一次進行交會時，迭代學習控制由于沒有學習數(shù)據(jù)，其控制效果非常小。而隨著迭代次數(shù)的增加，列車車體橫向加速度峰值在不斷降低。降低幅度從k=1時的0.02%到k=5時的52.67%。可見，迭代學習控制對車體橫向振動有很好的抑制效果。

隨著迭代學習的不斷進行，車體振動加速度并不會達到期望軌跡yd(t)=0，這是因為除了氣動載荷引起的車體振動，還包含了軌道不平順引起的車體振動。由于迭代的過程只在氣動載荷加載時進行，對軌道不平順并無控制作用。

表1　迭代學習控制效果對比

3.2算法魯棒性分析

3.2.1氣動載荷幅值改變

氣動載荷的大小會受列車車型、運行速度、軌道線間距等因素影響，而根據(jù)工況條件匹配到的歷史工況與本次迭代的工況并不完全相同。為了研究在氣動載荷幅值改變情況下，迭代學習控制的控制效果，取上一節(jié)中迭代得到的控制力，分別在氣動載荷增大20%和減小20%兩種情況下經(jīng)行仿真分析。列車速度取350 km/h，仿真時間t=10 s，在5 s左右列車交會。

由圖7和表2可知，氣動載荷波形的幅值改變會對車體橫向振動控制效果產(chǎn)生影響。采用基于大數(shù)據(jù)的迭代學習控制算法，當氣動載荷幅值增大20%，橫向振動改善50.97%；當氣動載荷幅值減小20%，橫向振動改善42.29%。可見在氣動載荷出現(xiàn)變化時，根據(jù)之前的控制經(jīng)驗進行迭代，也能夠很好地控制車體振動。

圖7氣動載荷幅值改變對控制效果影響

表2　氣動載荷幅值變化前后控制結(jié)果對比

3.2.2周期時間誤差

列車控制系統(tǒng)在判別列車運行狀態(tài)的過程中，可能因為傳感器誤差等因素的影響而出現(xiàn)周期時間誤差，使得作動器輸出力超前或滯后。取10 ms和20 ms的延遲或超前進行仿真分析，其仿真結(jié)果如圖8和表3所示。

從以上結(jié)果中可以看出，周期時間誤差對控制效果有很大影響。當時滯達到20 ms時，加速度峰值僅能減小3.40%，但是與被動懸掛相比，在一些時刻仍有著很好的控制效果。

4結(jié)論

本文針對交會氣動載荷作用下，車體橫向振動加劇。為了提高列車橫向平穩(wěn)性，提出了大數(shù)據(jù)迭代學習主動控制算法，并對其控制效果與算法魯棒性進行了分析，得出如下結(jié)論：

1)在350 km/h速度下，與被動懸掛相比，采用大數(shù)據(jù)迭代學習控制迭代到一定次數(shù)后，車體振動下降幅度超過50%。

2)在氣動載荷增大20%和減小20%情況下仿真分析，主動控制對車體加速度仍有很好的控制效果，分別使加速度峰值減小了51%和42%。

3)周期時間超前或滯后的情況下，主動控制的效果受到了較大的影響，當時滯達到20 ms時，主動控制僅使加速度峰值下降了3.4%，但與被動懸掛相比，仍有著較好的控制效果。

圖8周期時間誤差對控制效果影響

結(jié)果表明，大數(shù)據(jù)迭代學習控制算法能夠有效地減小交會氣動載荷引起的車體振動，且在出現(xiàn)氣動載荷定量變化和周期時間誤差的情況下，仍能保持較好的控制效果，且算法具有較好的魯棒性。

參考文獻：

[1] 繆曉郎, 陳春俊, 李淼. 高速列車明線交會對列車的橫向振動影響研究[J]. 鐵道學報， 2014, 36(12):14-19.

[2] 劉小燕, 陳春俊, 何洪陽. 高速列車隧道會車時氣動載荷的研究[J]. 機械設(shè)計與制造， 2014, 11(11): 161-164.

[3] MacNeill R A, Holmes B S, Lee H S.Measurement of the aerodynamic pressures produced by passing trains[A]. Proceedings of: JRC2002, The 2002 ASME/IEEE Joint Rail Conference[C].Washington D.C., 2002.

[4] 李雪冰，侯傳倫，張曙光，等. 高速列車交會時的風致振動研究[J].振動與沖擊， 2009, 28(7):81-84.

[5] 李人憲，關(guān)永久. 高速列車隧道會車壓力波動問題[J].機械工程學報，2012, 48(20):127-134.

[6] 陳春俊. 高速列車主動與半主動控制[M]. 成都：西南交通大學出版社，2015.

[7] 李忠繼， 戴煥云. 高速列車會車橫向沖擊的半主動控制研究[J]. 現(xiàn)代制造工程， 2010 (8): 23-27.

[8] Thomas D, Berg M, Stichel R P S. Improving crosswind stability of fast rail vehicles using active secondary suspension[J]. Vehicle System Dynamics, 2014, 52(7):909-921.

[9] Karkoub M A, Zribi M. Active/semi-active suspension control using magnetorheological actuators[J]. International Journal of Systems Science, 2006, 37(1): 35-44.

[10] Manyika J, Chui M, Brown B, et al. Big data: The next frontier for innovation, competition, and productivity[Z]. 2011.

[11] 李學龍, 龔海剛. 大數(shù)據(jù)系統(tǒng)綜述[J]. 中國科學: 信息科學，2015,45(1):1-44.

[12] 賈麗, 嚴晞雋, 李聿淵，等. 大數(shù)據(jù)技術(shù)在指揮信息系統(tǒng)中的應(yīng)用研究[A]. 第二屆中國指揮控制大會論文集 [C].2014.

[13] 顧君忠. 大數(shù)據(jù)與大數(shù)據(jù)分析[J]. 軟件產(chǎn)業(yè)與工程, 2013 (4): 17-21.

[14] 謝勝利，田森平，謝振東. 迭代學習控制的理論與應(yīng)用[M]. 北京：科學出版社，2005.

[15] 杜壽兵，吳付崗. 迭代學習控制在配料控制系統(tǒng)中的應(yīng)用[J]. 計算機測量與控制，2006,14(4):479-481.

Research on Big Data Based Iterative Learning Active Control on High Speed Train under Aerodynamic Loads

Chen Chunjun，Sun Yu，He Hongyang

(School of Mechanical Engineering, Southwest Jiaotong University, Chengdu610031, China)

Abstract:Strong transient aerodynamic loads will produced when a train passing another in high speed. The aerodynamic loads cause transient vehicle lateral vibration, which causes the deterioration of lateral stability. To improve the train running stability, big data method and iterative learning control were used and iterative learning active control algorithm based on high-speed train running big data was proposed. The co-simulations based on multibody dynamics and control algorithm were performed and even researched robustness of control algorithm when the magnitude of aerodynamic loads or intersection time varied. The results show that the big data based iterative learning active control through five iterations can make vehicle lateral vibration peak reduce 52.67% under aerodynamic loads, and control algorithm has strong robustness when intersection conditions change.

Keywords:high-speed train; aerodynamic load; big data; iterative learning control; active control

文章編號：1671-4598(2016)02-0118-04

DOI：10.16526/j.cnki.11-4762/tp.2016.02.032

中圖分類號：U260.11

文獻標識碼：A

作者簡介：陳春俊(1967-)，男，四川蒲江人，教授，博士生導師，主要從事自動控制、高速列車氣動性能測試、振動控制等方向的研究。

基金項目：國家自然科學基金(51475387， 51375403)。

收稿日期：2015-08-11；修回日期：2015-09-09。