[发明专利]基于粒子滤波和多传感器信息融合的列车速度估计方法

说明书

本发明公开了一种基于粒子滤波和多传感器信息融合的列车速度估计方法，包括以下步骤：S1.采用轮轴转速传感器检测列车动轴转速，并对轮轴转速传感器的输出结果进行粒子滤波，得到列车速度的第一个估计值；S2.采用车载GPS检测列车速度，并对车载GPS的检测结果进行粒子滤波，得到列车速度的第二个估计值；S3.基于标量加权线性最小方差融合准则，对两个列车速度估计值进行最优融合估计，得到最终的列车速度估计值。本发明采用粒子滤波算法对列车速度进行估计，对噪声特性没有特殊要求和限制，并且采用两种不同方式分别检测列车速度，进行粒子滤波后，对得到的两个列车速度估计值进行最优融合估计，有效提高了检测精度。

技术领域

本发明涉及列车速度估计，特别是涉及基于粒子滤波和多传感器信息融合的列车速度估计方法。

背景技术

准确、快速检测列车速度在列车粘着控制应用中非常重要，直接决定粘着控制的最终结果和效果。目前，列车速度测量方法可分为两类：直接法和估计法。直接法包括脉冲转速测速法、GPS测速法、多普勒雷达测速法、应答器测速法、交叉感应回线测速法等。这些速度检测方法受外界环境、铁路线路、粘着不良引起的空转或打滑等因素影响，测出的列车速度不能直接被粘着控制系统使用，需要对传感器输出的速度信号做进一步处理。

目前，粘着控制系统主要采用估计的方法检测列车速度。估计法包括直接轮速法、递推法、斜率法、观测器法等。这类方法通常采用数值滤波平滑及抛除异常测量值等手段获取列车速度的估计。目前，基于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法的列车速度估计方法应用较多。

采用扩展卡尔曼滤波算法估计列车速度时，基于列车动力学模型和每个车轴转速传感器输出的转速信号，通过扩展卡尔曼滤波算法解算列车速度。列车动力学模型是一个线性系统，如果考虑轮轨粘着特性，这个线性模型转变为非线性系统。扩展卡尔曼滤波算法是一种非线性近似滤波算法，针对状态方程或观测方程不是线性的情况。因此，两者结合是合适的。为了简化计算，扩展卡尔曼滤波算法通过一阶泰勒分解，线性化状态/观测方程。该算法以高斯白噪声形式描述后验概率密度，通过计算贝叶斯递推公式实现滤波；但是扩展卡尔曼滤波算法要求存在于系统的噪声特性服从高斯分布，而且线性化引入了误差可能导致滤波发散，雅克比矩阵(一阶)及海森矩阵(二阶)计算困难。

采用无迹卡尔曼滤波算法估计列车速度时，与采用扩展卡尔曼滤波算法估计列车速度类似，唯一不同之处在滤波算法方面。无迹卡尔曼滤波算法是一种非线性滤波算法，该算法以无损变换为基础，采用卡尔曼线性滤波框架。对于一步预测方程，使用无损变换来处理均值和协方差，对非线性函数的概率密度分布进行近似，用一系列确定样本来逼近状态的后验概率密度；但是与扩展卡尔曼滤波算法相同，无迹卡尔曼滤波算法也要求存在于系统的噪声特性服从高斯分布。

同时，目前列车的测速方式较为单一，在列车比较复杂的运行环境下，单独依靠某一种测速方式很难获得高精度的列车速度信息。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于粒子滤波和多传感器信息融合的列车速度估计方法。

本发明的目的是通过以下技术方案来实现的：基于粒子滤波和多传感器信息融合的列车速度估计方法，包括以下步骤：

S1.采用轮轴转速传感器检测列车动轴转速，并对轮轴转速传感器的输出结果进行粒子滤波，得到列车速度的第一个估计值；

S2.采用车载GPS检测列车速度，并对车载GPS的检测结果进行粒子滤波，得到列车速度的第二个估计值；

S3.基于标量加权线性最小方差融合准则，对两个列车速度估计值进行最优融合估计，得到最终的列车速度估计值。

进一步地，所述步骤S1包括以下子步骤：