CN119472315A 一种数据驱动的列车容错追踪控制方法 （山东科技大学）

了对列车执行器运行状态的全方位、高精度监2步骤2.在步骤1获得的列车数据驱动线性状态空间模状态信息与前一时刻的容错控制矩阵递归更新此刻的容错控制矩阵，并用其更新用于模型预测控制的列车数据驱动线性状动态模式分解通过最小化如下代价函数求解最小二乘问题，得到算子的近似封闭估计形3的观测函数，v(xfi+1))表示x(i+1)的观测函数，u(i)表示i时刻的系统输出牵引力/制动在上式(3)的优化迭代过程中，得到列车数据驱动线性状态空间4首先获取列车执行器的信息，考虑执行器发生故障，对系统输入建矩阵中每个对角元素值，在0和1之间表示对应执行器失效故ie)表示容错控制矩阵。其中，H,(k)和U.,(k)分别表示状态运行数据矩阵使用动态模式分解EDMD方法，该EDMD方法利用神经网络训练出5访问列车运行过程中生成的新数据时，根据给定时间窗口内拍摄矩阵M(k)用如下公式进行更新：6在求出容错矩阵后，获得具有容错的列车数据驱动线性状态空间模型作为MPC控用于"on、"m、Auaa和分别表示控制输入u(i)及其变化AU()的最小和最大边界；6.一种计算机设备，包括存储器和一个或多78实时运行环境的变化以及不同故障类型的影响，难以迅速应对列车运行时出现的突发故通过状态信息与前一时刻的容错控制矩阵递归更新此刻的容错控制矩阵，并用其更新用于模型预测控制的列车数据驱动线性状态9允许调整模型预测控制(ModelPredictiveControl,MPC)控制律来抵消故障影响，通过步骤1.获取列车初始历史运行数据，并利用数据驱动方法结合深度神经网络对[0021]通过DNN神经网络获取的提升函数，将列车非线性控制模型映射为高维空间中的迭代求解状态空间的(A,B,C)矩阵来构建初始列车数据驱动线性状态[0027]采用扩展动态模式分解方法计算一个有限维的算子，该算子的近似形式为成，表示U作用后下一时刻的列车状态信息序列，表示列车输出牵引力/制动力序列，u(1),…,u(p)表示某一刻的输出牵引力/制动力。其中、yin代表利用观测函数对数据集中x、Y进行升维后的数据。[0033]该列车数据驱动线性状态空间模型能够用于设计MPC控制器，获得稳定的控制效[0034]步骤2.在用列车历史运行数据获得的列车数据驱动线性状态空间模型基础上，具有容错的列车数据驱动线性状态空间模型，将该模型集成到MPC框架中代替列车的故障其中u,(6)表示执行器故障时等效输入，矩阵y(t)用来表示执行器状态，其定义[0036]矩阵中每个对角元素值在0和1之间表示对应执行器失效[0039]将列车系统运行一段时间的运行数据，构造一个长度为a+1的可观测序列容错控制矩阵iepe(0,1]表示数通过状态信息与前一时刻的容错控制矩阵递归更新此刻的容错控制矩阵，并用其更新用于模型预测控制的列车数据驱动线性状态矩阵M(k)用如下公式进行更新：[0050]在求出容错矩阵后，获得具有容错的列车数据驱动线性状态空间模型作为[0052]通过最小化目标函数J，获取一段时间的最优控制律序列，u'(N,)表示第p个输入量，选取序列中第一个输入量u'(0)作为列车的驱动力输1.验证建立的列车高维模型的性能，在执行器正常工作情个轨迹。为1×2×51的矩阵U。在仿真过程中采用一般线性MPC方法进行比较。对于一般线性MPC方法，将预测模型构造为原点处动力学的局部线性化模型，每100步进行一次线性化模型更别为N,=20和=10，模型预测控制的权值分别为Q=1000Ixa,R=1X10"Ia。本实施例2述及了一种计算机设备，该计算机设备包括存储器和一个或多个处理[0072]该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存