[發明專利]一種基于區間二型的重載列車運行過程監控方法及系統

有效

• 申請號: 202110355196.6
• 申請日: 2021-04-01
• 公開（公告）號: CN112967420B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 付雅婷;鄭勇;楊輝;饒文軒;李中奇;譚暢
• 申請（專利權）人: 華東交通大學
• 主分類號: G07C5/08
• 分類號: G07C5/08;G06K9/62;G06N3/08;G06N5/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉鳳玲

1.一種重載列車運行過程監控方法，其特征在于，包括：

獲取重載列車的受力信息；

根據所述受力信息確定重載列車運動過程的動力學模型；

將重載列車的樣本數據進行模糊C-均值聚類分析，確定動力學子模型的前件參數；

根據所述前件參數和所述重載列車的樣本數據利用最小二乘法確定所述動力學子模型的后件參數；

根據所述動力學子模型的前件參數、所述動力學子模型的后件參數和所述動力學模型確定每條規則下的動力學子模型；

根據所述每條規則下的動力學子模型確定初始模型；

根據所述初始模型確定重載列車運行過程模型；

根據所述重載列車運行過程模型對所述重載列車的運行過程進行監控；

采用高斯型函數表示：

其中，x_p是輸入量，即列車上一時刻的速度X₁和力X₂，

和分別是下隸屬度函數和上隸屬度函數，且j＝1，2，...，M代表聚類個數；當p＝1時，X_p為速度，為速度聚類中的第j類；當p＝2時，X_p為力，為力聚類中的第類；為第j個二型模糊集合的寬度，即該類數據的方差大小；

的物理意義為上隸屬度函數的中心，即對第j類二型模糊集合數據多次抽取并取平均值，所有平均值中的最大值；同理可知為下隸屬度函數的中心，即同一組平均值中的最小值；

根據不同的輸入量X_p來得到不同規則的權重，令相應的權重值和規則相乘后再進行累加，得到式(5)；模糊推理規則(3)可用5層區間二型網絡結構獲得：

式中fⁱ為第i個子規則R_i的權重值；y_i(k)為輸出量，和輸入是同一量綱，也是速度值；是它們對應的R_i中相應的數值參數，即常數值；

其中，Fⁱ是下激發強度，是上激發強度；fⁱ是下隸屬度，

是上隸屬度；

j₁＝1，2，...，M；j₂＝1，2，...，M；i＝1，...，j₁·j₂，...，M²； (7)

根據(4)-(8)的推導，重載列車運行過程模型(5)可重寫為初始模型：

的物理意義為速度X₁的上隸屬度函數的中心，即對第j類二型模糊集合數據多次抽取并取平均值，所有平均值中的最大值；為X₁的下隸屬度函數的中心,即對第j類二型模糊集合數據多次抽取并取平均值，所有平均值中的最小值；同理和分別是X₂的上、

下隸屬度函數中心；為速度X₁的第j個二型模糊集合的寬度，即該類數據的方差大小；為受力X₂的第j個二型模糊集合的寬度；

對采集的樣本數據進行模糊C-均值聚類分析，得到初始模型前件參數

和和分別是它們共同所在的第j類二型模糊集合中多次取值后對應平均值上限和下限值；為同一模糊集合共同的方差值；并采用最小二乘法確定規則數并且辨識后件參數

利用BP反向傳播算法對模型參數進行辨識優化，得到最優的重載列車運行過程區間二型動力學模型；

為得到模型(9)，要對模型進行初始化；針對初始模型(9)，需要基于輸入/輸出數據確定模型規則數n及每條規則對應的前件參數和和后件參數采用多次模糊C-均值聚類方法對數據的進行聚類分析，并且是多次聚類，再取平均值的方式對參數精度進行優化；該方法首先通過隨機選取若干聚類中心，所有數據點被賦予對聚類中心一定的模糊隸屬度，然后通過迭代方法不斷地對聚類中心進行修正優化；在大型輸入-輸出數據集上使用一遍聚類算法來提取數據的自然分組是一種常見的實踐；這種方法可以用來獲得適當數量的規則，以及定義模型輸入空間的每個隸屬度函數的中心和方差；模糊C-均值算法是一種迭代優化方法，用于尋找劃分模糊系統輸入空間的隸屬函數的最優中心，目的是使代價函數最小化；模糊C-均值算法將收斂到表示給定成本函數的局部或全局最小值的解決方案；

模糊C-均值聚類算法具體過程如下所示：

輸入：兩個輸入量單位控制力u和前一時刻的速度y_f,以及聚類個數c＝4；u＝[u₁，u₂，…，u_n]^T，yf＝[y_f1，y_f2，…，y_fn]^T，n為訓練樣本數300；

輸出：模糊前件參數和其中j＝1，2，3，4；

1、分別從兩個輸入的訓練數據里隨機選取4個聚類中心；

2、用模糊C-均值聚類算法進行數據聚類；

3、根據隸屬度矩陣將訓練數據進行劃分，分為4類；

4、計算第j類數據的方差大小

5、計算第j類數據的平均值大小；

6、分別對第i類數據中的50％進行隨機抽取，并且求其平均值總共抽取50次，找出其最大值和最小值

7、由下式計算出高斯型隸屬函數的不確定參數

最后，對模型(9)進行優化，獲得最優區間二型動力學模型；針對模型(9)，在確定了前件參數和后，應用輸入/輸出數據采用最小二乘法即可辨識后件參數若有m組輸入輸出數據對，式(9)則寫成：

Y＝Φ·c (11)

式中，Y是輸出矩陣，是Y的估計值，Φ為m×2n的矩陣，c為2n×1的后件參數向量；可對公式(11)采用最小二乘法辨識得到后件參數令誤差指標函數為根據最小二乘法原理，要使J(θ)最小，必有：

從而得到優化的模型后件參數i＝1，2，...，n；n＝M²；k＝0，1，2；其中，Φ^T為Φ的轉置；

固定后件參數采用BP反向傳播算法反向學習以調整前件參數和考慮到誤差指標函數y(k)是k時刻的當前輸出；是期望輸出；校正算法如下：

其中學習速率α_c和α_σ可以通過實驗選擇得到；

所述根據所述動力學子模型的前件參數、所述動力學子模型的后件參數和所述動力學模型確定每條規則下的動力學子模型，具體包括：

根據所述動力學模型利用如下公式確定每條規則下的動力學子模型：

其中，y_i(k)為第k個輸出量，輸出量為重載列車運行速度，為第一后件參數，為第二后件參數，為第三后件參數，y(k-1)為第一輸入量，u(k-1)為第二輸入量，第二輸入量為單位控制力，為第一輸入量的第j個聚類，為第二輸入量的第j個聚類，k為自變量，j為模糊類，n為規則總數，R_i為第i個規則，i為規則數。