一种轮轨粘着特性的辨识方法以及系统
阅读：540发布：2020-05-15
专利汇可以提供一种轮轨粘着特性的辨识方法以及系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种轮轨粘着特性的辨识方法，包括：确定用于进行轮轨粘着特性辨识的蠕滑模型；采集多个粘着系数；根据采集的多个粘着系数，通过 群体智能 优化 算法 确定出蠕滑模型的粘着特征参数；基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。应用本 申请 的技术方案，可以快速地对蠕滑模型的粘着特征参数进行确定，也就可以基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。本申请还公开了一种轮轨粘着特性的辨识系统，具有相应技术效果。，下面是一种轮轨粘着特性的辨识方法以及系统专利的具体信息内容。
1.一种轮轨粘着特性的辨识方法，其特征在于，包括：
确定用于进行轮轨粘着特性辨识的蠕滑模型；
采集多个粘着系数；
根据采集的多个所述粘着系数，通过群体智能优化算法确定出所述蠕滑模型的粘着特征参数；
基于确定出所述粘着特征参数的所述蠕滑模型进行轮轨粘着特性的辨识。
2.根据权利要求1所述的轮轨粘着特性的辨识方法，其特征在于，所述蠕滑模型为Polach蠕滑模型，所述粘着特征参数包括kA，kS，A，B，以及μ0；
其中，所述kA为粘着区调节系数，所述kS为滑动区调节系数，所述A为极限滑动速度下轮轨接触面间的摩擦系数与所述μ0的比值，所述B为摩擦系数的衰减因子，所述μ0为不发生滑动时轮轨接触面间的最大摩擦系数；
所述群体智能优化算法为教与学优化TLBO算法。
3.根据权利要求2所述的轮轨粘着特性的辨识方法，其特征在于，所述TLBO算法满足：
教学因子 其中，所述Mi为所述TLBO算法中的学生群体参数均值，所述Ti为所述TLBO算法中选取出的教师，所述D为所述粘着特征参数的维度；
并且所述TLBO算法的每次学生阶段结束之后，按照差生补习规则进行参数更新，并取Xold以及 中的最优解作为更新之后的参数值；
其中，所述差生补习规则包括：
教师补课规则：
学生自习规则：
所述 为经过所述教师补课规则处理之后的学生知识水平，所述 为经过所述学生自习规则处理之后的学生知识水平，所述Xold为经过所述差生补习规则处理之前的学生知识水平，所述Xlim为搜索参数的搜索区间的大小。
4.根据权利要求1所述的轮轨粘着特性的辨识方法，其特征在于，所述采集多个粘着系数，包括：
采集N组目标数据，每组所述目标数据包括：车辆速度VC，轮对线速度Vw以及轮对实际牵引力TT；
根据N组所述目标数据确定出N个粘着系数；
将N个所述粘着系数进行过滤，得到采集的多个粘着系数。
5.根据权利要求4所述的轮轨粘着特性的辨识方法，其特征在于，所述将N个所述粘着系数进行过滤，得到采集的多个粘着系数，包括：
按照蠕滑率对N个所述粘着系数进行分组；
针对每一组内的粘着系数，选取处于预设比例的中间位置的粘着系数进行平均值的获取；
基于所述平均值，选取各组的粘着系数中符合预设范围的粘着系数构成的集合作为采集的多个粘着系数。
6.根据权利要求4所述的轮轨粘着特性的辨识方法，其特征在于，所述根据N组所述目标数据确定出N个粘着系数，包括：
根据N组所述目标数据，通过预设的轮对运动模型确定出N个粘着系数，其中，所述轮对运动模型为：
所述J为轮对转动惯量，所述vw为轮对线速度，所述rw为轮径尺寸，所述
TT为实际牵引力，所述Tadh＝μaQgrw为实际粘着力，所述μa为粘着系数，所述Q为轮对轴重。
7.根据权利要求6所述的轮轨粘着特性的辨识方法，其特征在于，所述根据N组所述目标数据，通过预设的轮对运动模型确定出N个粘着系数，包括：
确定出预设的轮对运动模型经过拉普拉斯变换之后的第一模型；
通过一阶低通滤波器对所述第一模型中的微分项s进行抗干扰处理得到第二模型；
根据N组所述目标数据，基于所述第二模型确定出N个粘着系数；
其中，所述第一模型为： 所述抗干扰处理为：s＝(1/T0)·(1-1/(1+
sT0))；确定出的N个粘着系数中的任意一个为：
所述T0为观测器的时间常数。
8.根据权利要求1至7任一项所述的轮轨粘着特性的辨识方法，其特征在于，所述根据采集的多个所述粘着系数，通过群体智能优化算法确定出所述蠕滑模型的粘着特征参数，包括：
根据采集的多个所述粘着系数，通过群体智能优化算法对所述蠕滑模型的粘着特征参数进行更新；
当更新次数达到预设阈值时，则将最后一次更新完成之后的粘着特征参数确定为所述蠕滑模型的粘着特征参数；
或者；
在任意一次更新之后，确定出的粘着特征参数使得基于该粘着特征参数的适应度符合预设范围时，则将该次更新完成之后的粘着特征参数确定为所述蠕滑模型的粘着特征参数。
9.根据权利要求8所述的轮轨粘着特性的辨识方法，其特征在于，所述适应度为根据采集的各个所述粘着系数与所述蠕滑模型的相应预测值的差值确定的适应度，且各个所述差值具有各自的权重，以调节所述蠕滑模型在不同的蠕滑率上的辨识度。
10.一种轮轨粘着特性的辨识系统，其特征在于，包括：
蠕滑模型确定模块，用于确定用于进行轮轨粘着特性辨识的蠕滑模型；
实测数据采集模块，用于采集多个粘着系数；
参数确定模块，用于根据采集的多个所述粘着系数，通过群体智能优化算法确定出所述蠕滑模型的粘着特征参数；
粘着特性辨识模块，用于基于确定出所述粘着特征参数的所述蠕滑模型进行轮轨粘着特性的辨识。
一种轮轨粘着特性的辨识方法以及系统
技术领域
[0001] 本发明涉及轨道交通车辆传动控制技术领域，特别是涉及一种轮轨粘着特性的辨识方法以及系统。
背景技术
[0002] 轨道交通车辆采用轮轨传输的方式，轮轨粘着特性是影响机车牵引和制动性能的主要因素之一，控制轮对工作在最大的粘着系数附近，能够避免空转、滑行的发生，又能够使得车辆牵引/制动力得到充分的发挥。但是，车辆运行过程中，轮轨的粘着系数多变，尤其易受雨、雪、落叶、油污等污染介质的影响，同时，建立在轮轨粘着条件恒定的前提下，粘着系数也还会受到车辆蠕滑速度的影响。
[0003] 为了提升粘着性能，目前的方案是通过直接或间接的对蠕滑速度进行调节，使轮对始终工作在最大粘着系数附近，而其中的关键点便在于，基于蠕滑模型确定出当前的轮轨粘着特性，也就可以确定出粘着系数的极值点，以此进行蠕滑速度的调节。
[0004] 蠕滑模型通常较为复杂，模型参数的维数较高，采用试凑法进行模型参数调节较为困难，费时费力，且难以获得最优解。例如典型的Polach蠕滑模型，对于轮轨间的粘着-蠕滑有着较精确的描述能力，具有良好的拟合效果，但由于计算复杂，需要确定模型参数过多，且模型参数的物理意义不明确，通常只做理论分析使用，并不能在车辆的实际运行中及时确定出Polach蠕滑模型的各个粘着特征参数，即无法快速得到确定出了粘着特征参数的Polach蠕滑模型。
[0005] 综上所述，如何快速的确定出蠕滑模型的各个特征参数，通过确定出了粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识，是目前本领域技术人员急需解决的技术问题。
发明内容
[0006] 本发明的目的是提供一种轮轨粘着特性的辨识方法以及系统，以快速地对蠕滑模型的粘着特征参数进行确定。
[0007] 为解决上述技术问题，本发明提供如下技术方案：
[0008] 一种轮轨粘着特性的辨识方法，包括：
[0009] 确定用于进行轮轨粘着特性辨识的蠕滑模型；
[0010] 采集多个粘着系数；
[0012] 基于确定出所述粘着特征参数的所述蠕滑模型进行轮轨粘着特性的辨识。
[0013] 优选的，所述蠕滑模型为Polach蠕滑模型，所述粘着特征参数包括kA，kS，A，B，以及μ0；
[0014] 其中，所述kA为粘着区调节系数，所述kS为滑动区调节系数，所述A为极限滑动速度下轮轨接触面间的摩擦系数与所述μ0的比值，所述B为摩擦系数的衰减因子，所述μ0为不发生滑动时轮轨接触面间的最大摩擦系数；
[0015] 所述群体智能优化算法为教与学优化TLBO算法。
[0016] 优选的，所述TLBO算法满足：
[0017] 教学因子 其中，所述Mi为所述TLBO算法中的学生群体参数均值，所述Ti为所述TLBO算法中选取出的教师，所述D为所述粘着特征参数的维度；
[0018] 并且所述TLBO算法的每次学生阶段结束之后，按照差生补习规则进行参数更新，并取 Xold以及 中的最优解作为更新之后的参数值；
[0019] 其中，所述差生补习规则包括：
[0020] 教师补课规则：
[0021] 学生自习规则：
[0022] 所述 为经过所述教师补课规则处理之后的学生知识水平，所述 为经过所述学生自习规则处理之后的学生知识水平，所述Xold为经过所述差生补习规则处理之前的学生知识水平，所述Xlim为搜索参数的搜索区间的大小。
[0023] 优选的，所述采集多个粘着系数，包括：
[0024] 采集N组目标数据，每组所述目标数据包括：车辆速度VC，轮对线速度Vw以及轮对实际牵引力TT；
[0025] 根据N组所述目标数据确定出N个粘着系数；
[0026] 将N个所述粘着系数进行过滤，得到采集的多个粘着系数。
[0027] 优选的，所述将N个所述粘着系数进行过滤，得到采集的多个粘着系数，包括：
[0028] 按照蠕滑率对N个所述粘着系数进行分组；
[0029] 针对每一组内的粘着系数，选取处于预设比例的中间位置的粘着系数进行平均值的获取；
[0030] 基于所述平均值，选取各组的粘着系数中符合预设范围的粘着系数构成的集合作为采集的多个粘着系数。
[0031] 优选的，所述根据N组所述目标数据确定出N个粘着系数，包括：
[0032] 根据N组所述目标数据，通过预设的轮对运动模型确定出N个粘着系数，其中，所述轮对运动模型为：
[0034] 优选的，所述根据N组所述目标数据，通过预设的轮对运动模型确定出N个粘着系数，包括：
[0035] 确定出预设的轮对运动模型经过拉普拉斯变换之后的第一模型；
[0036] 通过一阶低通滤波器对所述第一模型中的微分项s进行抗干扰处理得到第二模型；
[0037] 根据N组所述目标数据，基于所述第二模型确定出N个粘着系数；
[0038] 其中，所述第一模型为： 所述抗干扰处理为：s＝(1/T0)·(1-1/(1+sT0))；确定出的N个粘着系数中的任意一个为：
所述T0为观测器的时间常数。
所述T0为观测器的时间常数。
[0039] 优选的，所述根据采集的多个所述粘着系数，通过群体智能优化算法确定出所述蠕滑模型的粘着特征参数，包括：
[0040] 根据采集的多个所述粘着系数，通过群体智能优化算法对所述蠕滑模型的粘着特征参数进行更新；
[0041] 当更新次数达到预设阈值时，则将最后一次更新完成之后的粘着特征参数确定为所述蠕滑模型的粘着特征参数；
[0042] 或者；
[0043] 在任意一次更新之后，确定出的粘着特征参数使得基于该粘着特征参数的适应度符合预设范围时，则将该次更新完成之后的粘着特征参数确定为所述蠕滑模型的粘着特征参数。
[0044] 优选的，所述适应度为根据采集的各个所述粘着系数与所述蠕滑模型的相应预测值的差值确定的适应度，且各个所述差值具有各自的权重，以调节所述蠕滑模型在不同的蠕滑率上的辨识度。
[0045] 一种轮轨粘着特性的辨识系统，包括：
[0046] 蠕滑模型确定模块，用于确定用于进行轮轨粘着特性辨识的蠕滑模型；
[0047] 实测数据采集模块，用于采集多个粘着系数；
[0048] 参数确定模块，用于根据采集的多个所述粘着系数，通过群体智能优化算法确定出所述蠕滑模型的粘着特征参数；
[0049] 粘着特性辨识模块，用于基于确定出所述粘着特征参数的所述蠕滑模型进行轮轨粘着特性的辨识。
[0050] 应用本发明实施例所提供的技术方案，包括：确定用于进行轮轨粘着特性辨识的蠕滑模型；采集多个粘着系数；根据采集的多个粘着系数，通过群体智能优化算法确定出蠕滑模型的粘着特征参数；基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。
[0051] 本申请在确定蠕滑模型的粘着特征参数时，采用的是群体智能优化算法，通过群体智能优化算法可以快速地确定出粘着特征参数，并且随着迭代次数的增加，快速地逼近最优的粘着特征参数。也就是说，本申请的方案可以快速地对蠕滑模型的粘着特征参数进行确定，也就可以基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。附图说明
[0052] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0053] 图1为本发明中一种轮轨粘着特性的辨识方法的实施流程图；
[0054] 图2为本发明中改进型的TLBO算法与未经改进的TLBO算法的辨识过程比较示意图；
[0055] 图3为本发明一种具体实施方式中的轮轨粘着特性辨识的结果示意图；
[0056] 图4为本发明一种具体实施方中采集到的目标数据的片段；
[0057] 图5为本发明一种具体实施方式中采集到的粘着系数序列；
[0058] 图6为本发明中一种轮轨粘着特性的辨识系统的结构示意图。
具体实施方式
[0059] 本发明的核心是提供一种轮轨粘着特性的辨识方法，可以快速地对蠕滑模型的粘着特征参数进行确定，也就可以基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。
[0060] 为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061] 请参考图1，图1为本发明中一种轮轨粘着特性的辨识方法的实施流程图，该方法包括以下步骤：
[0062] 步骤S101：确定用于进行轮轨粘着特性辨识的蠕滑模型。
[0063] 由于粘着系数受到轨面状态，温湿度，轨面清洁程度等诸多因素的影响，要能够进行较为准确的轮轨粘着特性的辨识，通常需要选取较为复杂，变量的维数较高的蠕滑模型，优选的方案即为Polach蠕滑模型。当然，在其他实施方案中，也可以采用FASTSIM蠕滑模型、经验公式模型等其他蠕滑模型。
[0064] 以计算精度较高的Polach蠕滑模型为例进行说明。Polach蠕滑模型中假定轮轨法相接触满足赫兹理论，接触斑为椭圆，且椭圆接触斑半轴长度为a、b，而半轴长度可根据轴重、轮轨尺寸基于赫兹理论计算得到。当轮轨接触界面的摩擦系数为μ时，通过将轮轨椭球接触斑上的切向力分布转换成了半球上的切向力分布，并进行积分，可得到蠕滑力计算公式为：
[0065]
[0066] 其中，Q为车辆轴重；ε为切向力梯度，可以通过蠕滑率s计算得到，并且需要指出的是，通常仅考虑纵向蠕滑力。
[0067] 其中，G为轮轨剪切模量；c11为Kalker蠕滑系数； 为轮轨间蠕滑率；其中的vs为轮轨蠕滑速度，vc为车辆速度。
[0068] Polach蠕滑模型为了更好地贴合真实的轮轨蠕滑特性，计算蠕滑力时采用了随着轮轨蠕滑速度变化的摩擦系数，其计算公式如下：
[0069]
[0070] 其中，μ0为不发生滑动时轮轨接触面间的最大摩擦系数；A＝μ∞/μ0，μ∞为极限滑动速度下轮轨接触面间的摩擦系数；B为摩擦系数的衰减因子(s/m)。
[0071] 考虑到轮轨接触面间含有水或其他污染物时，会降低接触面的刚度，从而降低蠕滑率-蠕滑力函数的梯度。为拟合该种工况下的轮轨蠕滑特性，Polach蠕滑模型在计算蠕滑力时引入了粘着区调节系数kA与滑动区调节系数kS，因此，蠕滑力计算公式变为：
[0072] 根据该式便可以确定出蠕滑力与蠕滑率之间的关系，进而根据蠕滑力与粘着系数的对应关系，也就可以确定出粘着系数与蠕滑率之间的关系，即确定出粘着特性曲线。因此，如果确定出kA、ks、A、B与μ0这五个粘着特征参数，即可通过确定的Polach蠕滑模型进行轮轨粘着特性的辨识，从而对蠕滑率进行调节，使得车辆工作在最大的粘着系数附近。
[0073] 步骤S102：采集多个粘着系数。
[0074] 需要说明的是，由于部分实施方式中存在着对测量的粘着系数进行过滤的操作，因此，步骤S102中描述的采集的多个粘着系数，指的是用于进行后续步骤中的粘着特征参数的确定的粘着系数，也即如果存在过滤操作的话，是经过过滤之后保留下来的各个粘着系数。
[0075] 粘着系数可以实时测量，具体的，可以获取某一时刻的车辆速度VC，轮对线速度Vw以及轮对实际牵引力TT，进而确定出该时刻的粘着系数。
[0076] 步骤S103：根据采集的多个粘着系数，通过群体智能优化算法确定出蠕滑模型的粘着特征参数。
[0077] 可以通过群体智能优化算法对蠕滑模型的粘着特征参数进行更新，最终可以输出一个优选的粘着特征参数，作为确定出的蠕滑模型的粘着特征参数。通常，会在每一次进行粘着特征参数的更新之后，进行是否终止更新的判断，当满足预设的终止更新的条件时，即输出当前确定出的粘着特征参数，常用的终止更新的条件可以为更新的次数满足要求，或者适应度满足要求。并且需要说明的是，蠕滑模型的粘着特征参数指的是该蠕滑模型的各个待定的粘着特征参数，可以为1个或多个，但通常为多个且数量不低，例如Polach蠕滑模型的粘着特征参数为5个。
[0078] 群体智能优化算法可以为TLBO(Teaching Learning Based Optimization，教与学优化)算法、遗传算法、粒子群算法、蚁群算法以及和声搜索等群体智能优化算法。
[0079] 在本发明的一种具体实施方式中，考虑到TLBO算法求解速度快，精度高，并且具有极强的收敛能力，因此群体智能优化算法可以采用TLBO算法。
[0080] TLBO算法每个参数迭代搜索周期，包含有“教师”与“学生”两个参数更新阶段。其中“教师”阶段选取成绩最优的“学生”个体，即当前迭代步的最优解，作为本阶段的“教师”Ti，并更新班级成员参数：
[0081] Xdiff,j＝rj(Ti-TFMi)；j＝1,2,…,class_size
[0082] Xnew，j＝Xold，j+Xdiff，j
[0083] 其中，rj为[0，1]间的随机数；TF＝round[1+rand(0,1)]为本阶段教学系数；Mi为“学生”群体参数均值；class_size为班级人数，也就是算法中的群体大小。
[0084] 完成参数更新后，比较Xnew，j与Xold，j的适应度，若Xnew，j的适应度优于Xold，j，则使用Xnew，j替换Xold，j，否则保留Xold，j。具体的，Xnew，j的适应度优于Xold，j，可以指的是Xnew，j的适应度小于Xold，j。
[0085] 完成上述的“教师”阶段后，便进入“学生”阶段，在“学生”阶段，对于每一个学生Xj，在班级中选择另一个同学Xk，通过相互比较完成参数更新：
[0086]
[0087] 其中，f(·)为适应度计算函数。若Xnew，j优于Xold，j，则使用Xnew，j替换Xold，j，否则保留Xold，j。
[0088] 在本发明的一种具体实施方式中，考虑到前期的搜索广度的提高以及后期的搜索精度的提高，能够更快速地逼近最优解，也就是提高辨识速度，有利于更快地得到符合要求的粘着特征参数，因此在该种实施方式中，每一次迭代周期内，在“学生”阶段之后增加“差生补习”阶段，并且修改了教学因子。
[0089] 具体的，考虑到轮轨特性辨识过程中，参数微调对Polach蠕滑模型计算蠕滑曲线的影响不大，且随机轮轨特性会实时对粘着特征参数造成剧烈影响的特性，为了增加前期的搜索广度以及后期的搜索精度，将原TLBO算法中只能取1或2值的教学因子进行修改，修改后的教学因子 其中，Mi为TLBO算法中的学生群体参数均值，Ti为TLBO算法中选取出的教师，D为粘着特征参数的维度，当蠕滑模型为Polach蠕滑模型时，D＝5。
[0090] 此外，为了快速剔除较差解，在每次“学生”阶段之后，按照差生补习规则进行参数更新，并取 Xold以及 中的最优解作为更新之后的参数值，也就是执行“差生补习”阶段。该种实施方式中，取的是适应度排序在后20％的“学生”执行“差生补习”阶段，适应度排序为升序排序，在其他实施方式中，也可以对需要执行“差生补习”阶段的学生的比例进行调整，并不影响本发明的实施。
[0091] 该种实施方式中的差生补习规则包括：
[0092] 教师补课规则：
[0093] 学生自习规则：
[0094] 为经过教师补课规则处理之后的学生知识水平，通过该操作可以加速搜索的收敛速度， 为经过学生自习规则处理之后的学生知识水平，通过该操作可以提高算法的搜索广度。Xold为经过差生补习规则处理之前的学生知识水平，Xlim为搜索参数的搜索区间的大小，即搜索上限与搜索下限之间的差值，例如可以取1。可参阅图2所示，为改进型的TLBO算法，即增加了差生补习规则的TLBO算法与未经改进的TLBO算法的辨识过程曲线，可以看出，该种实施方式中改进了TLBO算法之后，收敛速度得到了提高。
[0095] 在一种具体实施方式中，步骤S103可以具体为：
[0096] 根据采集的多个粘着系数，通过群体智能优化算法对蠕滑模型的粘着特征参数进行更新；
[0097] 当更新次数达到预设阈值时，则将最后一次更新完成之后的粘着特征参数确定为蠕滑模型的粘着特征参数；
[0098] 或者；
[0099] 在任意一次更新之后，确定出的粘着特征参数使得基于该粘着特征参数的适应度符合预设范围时，则将该次更新完成之后的粘着特征参数确定为蠕滑模型的粘着特征参数。
[0100] 预设阈值可以根据实际情况进行设定和调整，并不影响本发明的实施，例如图2中展示的即为参数更新达到100次的收敛效果，即改进型的TLBO算法与未改进型的TLBO算法各自迭代100次。但通常而言，在具体实施时，为了保证确定出的粘着特征参数的准确性，通常是以适应度是否符合预设范围作为是否结束迭代的标准，也就是说，在某一次粘着特征参数更新之后，基于这次更新后的粘着特征参数的适应度符合预设范围时，步骤S103便结束，此次更新后的粘着特征参数也就被确定为蠕滑模型的粘着特征参数。预设范围也可以根据实际情况进行设定。
[0101] 下面对采用适应度作为是否结束迭代的标准，且蠕滑模型为Polach蠕滑模型的实施例进行说明。在步骤S102中采集到多组粘着系数之后，首先可以据此计算初始解集的适应度，即计算kA、ks、A、B与μ0这五个粘着特征参数为初始值时的适应度。kA、ks、A、B与μ0这五个粘着特征参数的初始值可在各自的可行解域内随机生成，在本申请的方案中，各参数的可行解域分别为：
[0102] kA∈[0,1]、ks∈[0,1]、A∈[0,1]、B∈[0,1]、μ0∈[0,1]。
[0103] 当然，这五个粘着特征参数的初始值也可以是在执行步骤S102之前便已预设好，并不影响本发明的实施。之后获取采集的多个粘着系数中的每一个粘着系数与Polach蠕滑模型的相应预测值之间的差值，求出差值的总和，也就确定出了初始状态下的适应度，此时的Polach蠕滑模型中的各个粘着特征参数即为初始状态下的相应参数值。
[0104] 具体的，考虑到步骤S102中采集到的多个粘着系数是经过了过滤之后得到的数据，即可能已经按照对应的蠕滑率大小不同进行了分组，因此在计算适应度时，也可以分组计算各组的适应度。
[0105] 例如，可以分别求取每个分组内的采集到的粘着系数与Polach蠕滑模型输出的粘着系数的总偏差，并统计各组内的粘着系数的个数，相关代码可以为：
[0106] for i＝1:N
[0107] k＝round(s(i)/Δs0)；
[0108]
[0109] Gnum(k)＝Gnum(k)+1；
[0110] end
[0111] 其中，Polach蠕滑模型计算粘着系数的公式如下：
[0112]
[0113] 之后，可以根据确定出的每组的总偏差，计算对应于kA、ks、A、B与μ0的初始解集的适应度fitness：
[0114]
[0115] 需要指出的是，该种实施方式中，为各个蠕滑率区间配置了相应的权重参数λgroup(k)，也就是说，可以通过λgroup(k)的大小设置的不同，调整各个蠕滑率区间的误差在fitness值中的所占权重大小，也即使得各个粘着系数与蠕滑模型的相应预测值的差值具有各自的权重。当然，该种实施方案中是为各个蠕滑率区间配置相应的权重，在其他实施方式中，还可以是具体到每一个采集到的粘着系数。即适应度是根据采集的各个粘着系数与蠕滑模型的相应预测值的差值确定的适应度，且各个差值具有各自的权重。在具体实施时，各个差值各自的权重以及前述实施方式中的各个蠕滑率区间的各自权重，均可以根据实际需要进行设定和调整，以根据实际需要来调节蠕滑模型在不同的蠕滑率上的辨识度，也即调节蠕滑模型的侧重范围。
[0116] 这样的设置方式，实现了对各个蠕滑率区间的辨识度的调节，例如在最大粘着系数附近的蠕滑率区间，增大辨识度，使得据此得到的蠕滑模型，在最大粘着系数附近的蠕滑率区间进行粘着系数的计算时，计算出的粘着系数更为准确。当然，如果需要为各个蠕滑率区间配置相同的权重，则权重参数λgroup(k)取1即可。
[0117] 需要说明的是，上面介绍了粘着特征参数为初始值时的适应度的计算，在完成了初始的适应度计算后，便可以通过群体智能优化算法对蠕滑模型的粘着特征参数进行更新，每一次更新完成之后，适应度的计算可与粘着特征参数为初始值时的适应度的计算参照。当确定出的粘着特征参数使得基于该粘着特征参数的适应度符合预设范围时，则将该次更新完成之后的粘着特征参数确定为蠕滑模型的粘着特征参数。
[0118] 步骤S104：基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。
[0119] 由于确定出了粘着特征参数，因此蠕滑模型便得到了确定，进而可以根据该蠕滑模型进行粘着特性的辨识，也就可以直接或者间接地对蠕滑速度进行控制，使得轮对工作在最大粘着系数附近。可参考图3，为本发明一种具体实施方式中的轮轨粘着特性辨识的结果示意图。
[0120] 应用本发明实施例所提供的方法，包括：确定用于进行轮轨粘着特性辨识的蠕滑模型；采集多个粘着系数；根据采集的多个粘着系数，通过群体智能优化算法确定出蠕滑模型的粘着特征参数；基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。
[0121] 本申请在确定蠕滑模型的粘着特征参数时，采用的是群体智能优化算法，通过群体智能优化算法可以快速地确定出粘着特征参数，并且随着迭代次数的增加，快速地逼近最优的粘着特征参数。也就是说，本申请的方案可以快速地对蠕滑模型的粘着特征参数进行确定，也就可以基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。
[0122] 在本发明的一种具体实施方式中，步骤S102可以包括以下三个步骤：
[0123] 步骤一：采集N组目标数据，每组目标数据包括：车辆速度VC，轮对线速度Vw以及轮对实际牵引力TT；
[0124] 步骤二：根据N组目标数据确定出N个粘着系数；
[0125] 步骤三：将N个粘着系数进行过滤，得到采集的多个粘着系数。
[0126] 该种实施方式中，便是对采集到的N组目标数据进行了过滤的操作，以避免误差较大的粘着系数对后续步骤中的粘着特征参数的确定造成影响。具体的，在进行N组目标数据的采集时，通常可以是按照预定的采集周期对N个时刻进行采集，车辆速度VC，轮对线速度Vw以及轮对实际牵引力TT均可以通过相关的车载传感器获得，可参阅图4，为本发明一种具体实施方中采集到的目标数据的片段。
[0127] N为正整数，具体的取值可以根据实际需要进行相应的设定和调整，并不影响本发明的实施。采集到了N组目标数据之后，便可以根据N组目标数据确定出N个粘着系数。而在具体实施时，考虑到便于计算，可以预先建立一个基于运动学模型的干扰观测器来进行粘着系数的确定，便于描述，将该基于运动学模型的干扰观测器称为轮对运动模型，轮对运动模型可以具体为：
[0128] 其中J为轮对转动惯量，vw为轮对线速度，rw为轮径尺寸，TT为实际牵引力，Tadh＝μaQgrw为实际粘着力，μa为粘着系数，Q为轮对轴重。
[0130] 确定出预设的轮对运动模型经过拉普拉斯变换之后的第一模型；
[0131] 通过一阶低通滤波器对第一模型中的微分项s进行抗干扰处理得到第二模型；
[0132] 根据N组目标数据，基于第二模型确定出N个粘着系数；
[0133] 其中，第一模型为： 抗干扰处理为：s＝(1/T0)·(1-1/(1+sT0))；确定出的N个粘着系数中的任意一个为： T0为
观测器的时间常数。
观测器的时间常数。
[0134] 由于预设的轮对运动模型具体为 因此，将其经过拉普拉斯变化之后可得第一模型： 根据该第一模型，也就可以确定出计算出的粘
着系数为： 该种实施方式中，通过一阶低通滤波器对第一模型中
的微分项s进行抗干扰处理，具体可以为：s＝(1/T0)·(1-1/(1+sT0))，因此，基于第二模型确定出的粘着系数便为：
着系数为： 该种实施方式中，通过一阶低通滤波器对第一模型中
的微分项s进行抗干扰处理，具体可以为：s＝(1/T0)·(1-1/(1+sT0))，因此，基于第二模型确定出的粘着系数便为：
[0135] 根据N组目标数据，确定出N个粘着系数之后，便将N个粘着系数进行过滤，得到采集的多个粘着系数。
[0136] 在一种具体实施方式中，上述步骤三可以具体包括：
[0137] 按照蠕滑率对N个粘着系数进行分组；
[0138] 针对每一组内的粘着系数，选取处于预设比例的中间位置的粘着系数进行平均值的获取；
[0139] 基于平均值，选取各组的粘着系数中符合预设范围的粘着系数构成的集合作为采集的多个粘着系数。
[0140] 需要指出的是，该种实施方式中，采用数据平均值为基准进行粘着系数的过滤，有利于过滤之后得到的粘着系数符合轨道车辆的实际运行状态，并且计算也较为简单，但在其他实施方式中，也可以采用典型粘着特性曲线、经验粘着特性曲线等作为基准，并不影响本发明的实施。
[0141] 该种实施方式中，首先按照蠕滑率对N个粘着系数进行分组，分组方式具体可以为：
[0142] sgroup＝{0,Δs0,2Δs0，…，round(max(sexp)/Δs0)·Δs0+Δs0}
[0143] 也就是说，蠕滑率以Δs0为分组间隔，由0划分至round(max(sexp)/Δs0)·Δs0+Δs0，其中的round()表示取整函数，max()表示最大值函数，sexp为实测粘着系数序列对应的蠕滑率序列。N个粘着系数按照各自对应的蠕滑率的大小，被分配在各个蠕滑率区间中。需要说明的是，为了保证过滤操作的有效性，同时保证每个蠕滑率区间内具有一定的数据点数，Δs0的取值不宜过大或过小，申请人经过实验数据分析之后，确定出Δs0的取值通常应为0.05-0.1，当然，具体的Δs0的取值也可以根据实际应用中蠕滑率的区间范围进行调整，例如在一种具体场合中，N个粘着系数所处的蠕滑率区间为[0，0.8]，则Δs0可以为0.01。
[0144] 在进行了分组之后，针对每一组内的粘着系数，选取处于预设比例的中间位置的粘着系数进行平均值的获取。
[0145] 具体的，针对每一组内的粘着系数，也即对应的蠕滑率分布在[(k-1)Δs0，kΔs0]k＝1,…,round(max(sexp)/Δs0)+1区间内的每一组粘着系数数据，按照大小对该组内的各个粘着系数进行排序，选取处于预设比例的中间位置的粘着系数进行平均值的获取。预设比例可以根据实际需要进行设定，例如可以设为50％，即选取中间的50％部分的粘着系数，求得平均值
[0146] 在确定出平均值 之后，基于该平均值，选取各组的粘着系数中符合预设范围的粘着系数构成的集合作为采集的多个粘着系数。预设范围为根据该平均值确定的范围，例如该预设范围可以为： 经过这样的操作之后，
便过滤掉了该组中不在 范围内的粘着系数。系数β的
取值也可以根据需要进行设定，并不影响本发明的实施。可参阅图5，为本发明一种具体实施方式中步骤S102中采集到的多个粘着系数，也就是N个粘着系数经过过滤之后得到的粘着系数序列。
便过滤掉了该组中不在 范围内的粘着系数。系数β的
取值也可以根据需要进行设定，并不影响本发明的实施。可参阅图5，为本发明一种具体实施方式中步骤S102中采集到的多个粘着系数，也就是N个粘着系数经过过滤之后得到的粘着系数序列。
[0147] 相应于上面的方法实施例，本发明实施例还提供了一种轮轨粘着特性的辨识系统，下文描述的轮轨粘着特性的辨识系统与上文描述的轮轨粘着特性的辨识方法可相互对应参照。
[0148] 参见图6所示，为本发明中一种轮轨粘着特性的辨识系统的结构示意图，包括以下模块：
[0149] 蠕滑模型确定模块601，用于确定用于进行轮轨粘着特性辨识的蠕滑模型；
[0150] 实测数据采集模块602，用于采集多个粘着系数；
[0151] 参数确定模块603，用于根据采集的多个粘着系数，通过群体智能优化算法确定出蠕滑模型的粘着特征参数；
[0152] 粘着特性辨识模块604，用于基于确定出粘着特征参数的蠕滑模型进行轮轨粘着特性的辨识。
[0153] 在本发明的一种具体实施方式中，蠕滑模型为Polach蠕滑模型，粘着特征参数包括kA，kS，A，B，以及μ0；
[0154] 其中，kA为粘着区调节系数，kS为滑动区调节系数，A为极限滑动速度下轮轨接触面间的摩擦系数与μ0的比值，B为摩擦系数的衰减因子，μ0为不发生滑动时轮轨接触面间的最大摩擦系数；
[0155] 群体智能优化算法为教与学优化TLBO算法。
[0156] 在本发明的一种具体实施方式中，TLBO算法满足：
[0157] 教学因子 其中，Mi为TLBO算法中的学生群体参数均值，Ti为TLBO算法中选取出的教师，D为粘着特征参数的维度；
[0158] 并且TLBO算法的每次学生阶段结束之后，按照差生补习规则进行参数更新，并取Xold以及 中的最优解作为更新之后的参数值；
[0159] 其中，差生补习规则包括：
[0160] 教师补课规则：
[0161] 学生自习规则：
[0162] 为经过教师补课规则处理之后的学生知识水平， 为经过学生自习规则处理之后的学生知识水平，Xold为经过差生补习规则处理之前的学生知识水平，Xlim为搜索参数的搜索区间的大小。
[0163] 在本发明的一种具体实施方式中，实测数据采集模块602，包括：
[0164] 目标数据采集子模块，用于采集N组目标数据，每组目标数据包括：车辆速度VC，轮对线速度Vw以及轮对实际牵引力TT；
[0165] 粘着系数计算子模块，用于根据N组目标数据确定出N个粘着系数；
[0166] 过滤子模块，用于将N个粘着系数进行过滤，得到采集的多个粘着系数。
[0167] 在本发明的一种具体实施方式中，过滤子模块具体用于：
[0168] 按照蠕滑率对N个粘着系数进行分组；
[0169] 针对每一组内的粘着系数，选取处于预设比例的中间位置的粘着系数进行平均值的获取；
[0170] 基于平均值，选取各组的粘着系数中符合预设范围的粘着系数构成的集合作为采集的多个粘着系数。
[0171] 在本发明的一种具体实施方式中，粘着系数计算子模块，具体用于：
[0172] 根据N组目标数据，通过预设的轮对运动模型确定出N个粘着系数，其中，轮对运动模型为：
[0173] J为轮对转动惯量，vw为轮对线速度，rw为轮径尺寸，TT为实际牵引力，Tadh＝μaQgrw为实际粘着力，μa为粘着系数，Q为轮对轴重。
[0174] 在本发明的一种具体实施方式中，粘着系数计算子模块，具体用于：
[0175] 确定出预设的轮对运动模型经过拉普拉斯变换之后的第一模型；
[0176] 通过一阶低通滤波器对第一模型中的微分项s进行抗干扰处理得到第二模型；
[0177] 根据N组目标数据，基于第二模型确定出N个粘着系数；
[0178] 其中，第一模型为： 抗干扰处理为：s＝(1/T0)·(1-1/(1+sT0))；确定出的N个粘着系数中的任意一个为： T0为
观测器的时间常数。
观测器的时间常数。
[0179] 在本发明的一种具体实施方式中，参数确定模块603，具体用于：
[0180] 根据采集的多个粘着系数，通过群体智能优化算法对蠕滑模型的粘着特征参数进行更新；
[0181] 当更新次数达到预设阈值时，则将最后一次更新完成之后的粘着特征参数确定为蠕滑模型的粘着特征参数；
[0182] 或者；
[0183] 在任意一次更新之后，确定出的粘着特征参数使得基于该粘着特征参数的适应度符合预设范围时，则将该次更新完成之后的粘着特征参数确定为蠕滑模型的粘着特征参数。
[0184] 在本发明的一种具体实施方式中，适应度为根据采集的各个粘着系数与蠕滑模型的相应预测值的差值确定的适应度，且各个差值具有各自的权重，以调节蠕滑模型在不同的蠕滑率上的辨识度。
[0185] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0186] 专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0187] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种无人机群对单移动时敏目标侦察路径规划方法 | 2020-05-11 | 344 |
| 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | 2020-05-12 | 574 |
| 一种高置信度动态调整的雷达辐射源个体识别系统 | 2020-05-12 | 602 |
| 一种智能列车系统 | 2020-05-15 | 367 |
| 用于管理广告数据的方法、广告服务系统和计算机可读存储介质 | 2020-05-08 | 839 |
| 一种异构车联网环境下的车载网络切换方法 | 2020-05-11 | 947 |
| 一种轮轨粘着特性的辨识方法以及系统 | 2020-05-15 | 540 |
| 一种基于区块链的抽奖方法 | 2020-05-14 | 391 |
| 一种基于智能皮带的监控系统 | 2020-05-11 | 454 |
| 一种基于人体红外感应的英语教学互动学习装置 | 2020-05-08 | 655 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈