[发明专利]一种基于模糊交互式多模型滤波的机车车速估计方法

权利要求书

1.一种基于模糊交互式多模型滤波的机车车速估计方法，其特征在于：包括与每个轴对应的交互式多模型滤波器模型i和模糊系统模型i，将第i个轴在第k+1时刻的轮角速度值ω_di(k+1)与转矩指令T_mi(k+1)作为交互式多模型滤波模型i的输入，输出为第k+1时刻第i个轮对的估计机车状态由与轮子半径r计算得到第k+1时刻第i轴轮加速度a_i(k+1)及蠕滑速度v_si(k+1)，作为模糊系统i的输入，输出为第i轴机车估计速度的权重系数C_i；最后通过数据融合计算，得到第k+1时刻机车参考速度V_k+1；其中，

所述交互式多模型滤波器模型包括建立不同轨面状态下的粘着特性模型，具体内容包括：

1)多层感知机训练模型结构：

采用双隐层的前馈神经网络，输入层包括两个神经元，第一个隐层含有十个神经元，激活函数为tanh函数；第二个隐层含有九个神经元，激活函数为sigmoid函数，输出层只有一个神经元；其中，输入为重载机车的蠕滑速度和车体纵向速度，输出为机车的粘着系数；

2)基于粘着力模型的粘着系数计算：

使用理论模型与实测数据形成的数据集进行增量训练，并且将其中一部分作为测试集；实际数据使用重载机车的蠕滑速度、纵向速度与粘着系数，同时使用粘着理论模型产生相同状态下的数据集，并使用双隐层的前馈神经网络进行训练，优化器使用adam优化器，损失函数使用均方根误差MSE，即得到三维特性模型；

所述交互式多模型滤波器模型的滤波算法流程包括：

(1)输入交互：

定义M＝{m₁,m₂...m_N}，其中，N＝3，M为系统的子模型集合，k时刻模型m_i出现的条件概率为μ_i,k，k时刻过渡到k+1时刻，模型m_i转移到m_j的转移概率为p_ij，

1)按如下公式计算模型m_i与m_j的混合概率u_i/j,k：

u_i/j,k＝p_iju_i,k/μ_j,k+1|k

式中μ_j,k+1|k为模型m_j的预报概率，按如下公式计算：

2)按如下公式计算第j个子模型k时刻的输入以及k时刻协方差P_oj,k|k：

其中，为第i个子模型k-1时刻的估计值；

(2)第j个子模型滤波预测：

1)建立离散非线性车辆动力学模型如下：

z_j(k+1)＝ω_d1(k+1)

上式中，i表示第i轴，μ(v_s)为轮轨间粘着系数，F_a为粘着力，W为等效轴重，v_s为蠕滑速度，ω_d,j为轮对角速度，v_t,j为子模型j估计机车车速，g为重力加速度，r为车轮半径，B为转动摩擦力矩系数，R_g为齿轮箱传动比，T_m1和J为电机输出轴间力矩与转动惯量，dTime为采样时间，M₁为总的机车质量，a,b,c为基本阻力系数，v_ti为i轴的估计机车车速；

2)利用系统噪音及量测噪音进行简化得到：

X_j,k+1|k+1＝f(X_j,k|k,ω_d,j(k+1),k)

Z_j,k＝h(X_j,k|k,k)+v_j,k

3)建立二阶扩展卡尔曼滤波算法的一步预测方程：

4)建立测量更新方程：

H_j,k+1＝[1,0]

K_j,k+1＝P_j,k+1|kH_j,k+1^T[H_j,k+1P_j,k+1|kH_j,k+1^T+R_j,k+1]^-1

P_j,k+1|k+1＝P_j,k+1|k-K_j,k+1[H_j,k+1P_j,k+1|kH_j,k+1^T+R_j,k+1]K_j,k+1

其中，w_j,k与v_j,k为互不相关的白噪声，其协方差矩阵分别为Q_j,k与R_j,k，X_j,k为2维的状态向量，为k时刻的状态估计值，为k+1时刻的状态预测值，为k+1时刻的状态估计值，Z_j,k为m×1维的量测向量，K_j,k为增益矩阵，P_j,k为状态估计偏差协方差矩阵，P_j,k|k为k时刻协方差矩阵，P_j,k+1|k为k+1时刻的协方差矩阵，P_j,k+1|k+1为k+1时刻协方差矩阵；

(3)子模型j概率更新：

模型似然：

模型概率：

式中，μ_j,k+1|k为模型m_j的预报概率；

(4)输出融合：