[发明专利]基于强跟踪滤波算法的轨道车辆悬吊系统参数估计方法

说明书

本发明公开一种基于强跟踪滤波算法的轨道车辆悬吊系统参数估计方法，它包括建立轨道车辆系统垂向动力学模型，给定初始值，状态预测，计算残差归一值，计算渐消因子，渐消因子自适应调整，状态估计更新。本发明通过强跟踪滤波器算法，能够根据实际情况更新渐消因子，通过在渐消因子的计算过程中对残差的归一化处理，消除了由于残差本身数值差异造成的信息不对称，使得残差中的信息能尽可能的被提取，并加快了信息被提取的速度，即避免初值盲目性，可以快速收敛。

技术领域

本发明涉及一种参数估计方法，尤其是一种基于强跟踪滤波算法的轨道车辆悬吊系统参数估计方法。

背景技术

为了提高人们出行的标准，轨道车辆以其舒适性好、安全性高、平稳性好、经济环保等优点成为目前最受欢迎的出行方式。而轨道车辆的悬吊系统状态估计，是轨道车辆安全出行的重要依据。目前，常见的轨道车辆悬吊系统状态估计方法有：信号分析法、功率谱分析法、自相关分析法、时频分析法、卡尔曼滤波算法和扩展卡尔曼滤波算法。

其中，卡尔曼滤波算法是最常用的轨道车辆悬吊系统状态估计方法，但由于模型不确定性的影响，当滤波器的状态估计值偏离系统的状态时，必然会在输出残差序列的均值和幅值上表现出来，在面临突变状态时的跟踪能力差。该算法要求测量噪声统计特性是已知的，但是大多数应用问题中噪声统计特性是未知的，如果根据不正确的噪声统计特性设计滤波器，不仅会增大滤波器的误差，还会导致滤波器发散。

其中，信号分析法需要大量的状态监测数据的统计结果，因此在轨道车辆上设置传感器数目多，局限性大。

发明内容

为解决上述问题，本发明提供一种基于强跟踪滤波算法的轨道车辆悬吊系统参数估计方法，将强跟踪滤波器算法运用在轨道车辆悬吊系统参数估计上，通过在线调整增益阵，使得残差序列仍然保持正交，就可以强迫强跟踪滤波器保持对实际系统状态的跟踪，并对残差进行归一化处理，提高轨道车辆悬吊系统突变状态的跟踪性能。

为实现上述目的，本发明采用下述技术方案：

基于强跟踪滤波算法的轨道车辆悬吊系统参数估计方法，该方法包括以下步骤：

步骤一，建立轨道车辆系统垂向动力学模型，得到系统状态方程以及观测方程：

x(k+1)＝A·x(k)+B·u(k+1)+w(k+1)

y(k+1)＝H·x(k)+v(k)

其中，x(k+1)是k+1时刻的系统状态，表示随时间变化的车辆系统垂向状态，u(k+1)是k+1时刻对系统的控制量，表示随时间变化的轨道垂向不平顺值，将其作为高斯白噪声处理，y(k+1)是k+1时刻的测量值，w(k+1)和v(k+1)分别是过程噪声和测量噪声，A和B是系统参数，H是测量系统的参数；

步骤二，初始化，在采样区间内进行均匀采样，得到初始粒子集、初始状态和初始状态方差，根据系统状态初值以及系统状态方程进行轨道车辆悬吊系统状态估计：

步骤三，计算测量值与估计值的残差，从而计算渐消因子，对过去的数据进行渐消，以减弱老数据对当前滤波值的影响：

其中，y(k+1)是测量值，是估计值，γ(k+1)是残差；

步骤四，计算时变渐消因子λ(k+1)，并对残差进行归一化处理：

λ(k+1)＝λ₀,λ_o≥1

λ(k+1)＝1,λ₀＜1

引入对角阵η＝diag(η₁，η₂...，η_m)