一种列车制动效率在线估计方法、装置、设备、介质及产品

本申请涉及轨道交通列车状态估计与故障诊断领域，特别是涉及一种列车制动效率在线估计方法、装置、设备、介质及产品。

背景技术：

1、重载列车由于编组长度长、质量大，其纵向动力学表现出显著的滞后性和非线性。在长期运行过程中，重载列车的空气制动系统常出现制动缸轻微漏泄或闸瓦非正常磨损等隐性故障。这些故障不会直接触发系统报警，但会导致实际制动效率因子η（取值范围为0~1）逐渐下降，若不及时发现，极易引发列车纵向冲动超标甚至断钩事故。

2、针对制动效率因子η的在线估计，现有主流方法主要包括扩展卡尔曼滤波（extended kalman filter, ekf）和移动时域估计（mhe）。然而，在重载列车制动这一特定场景下，二者均存在显著局限：

3、ekf依赖于系统模型的局部线性化假设，在面对列车车钩力的高度非线性及η的缓慢漂移时，极易出现估计发散或滞后；

4、基于优化的mhe虽然精度较高，但需要通过梯度下降算法（如l-bfgs-b）求解非线性规划问题，不仅面临陷入局部极小值的风险，且在大规模粒子或长时域条件下难以满足毫秒级的实时性要求。

5、因此，亟需一种兼具非线性处理能力、全局最优性及实时性的制动效率估计方法。

技术实现思路

1、本申请的目的是提供一种列车制动效率在线估计方法、装置、设备、介质及产品，可在强噪声环境下对制动效率因子进行快速、平滑、高精度跟踪。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种列车制动效率在线估计方法，包括：

4、构建重载列车的纵向动力学模型与观测模型；

5、基于当前时刻的实际观测向量与上一时刻的预测观测向量计算归一化观测残差，并利用归一化观测残差更新级联积分扰动观测器的状态，得到更新后的积分状态变量；

6、基于更新后的积分状态变量进行漂移检测，当判定制动效率因子发生漂移时，自适应调整采样标准差；

7、基于上一时刻的状态估计向量及自适应调整后的采样标准差，利用模型预测路径积分生成采样粒子，基于纵向动力学模型与观测模型在预测时域内进行并行滚动推演，得到状态轨迹集合与观测预测集合；

8、基于归一化观测残差构建多目标代价函数，并基于多目标代价函数计算各采样粒子的权重，并通过加权求和从所述状态轨迹集合中提取制动效率因子的基础估计值；

9、基于级联积分扰动观测器的故障变化率向量确定扰动增量，并将扰动增量叠加至基础估计值上，得到融合估计值；

10、基于所述融合估计值计算制动效率因子的最终估计值。

11、第二方面，本申请提供了一种列车制动效率在线估计装置，所述装置用于执行上述的列车制动效率在线估计方法，所述装置包括：

12、模型构建模块，用于构建重载列车的纵向动力学模型与观测模型；

13、更新模块，用于基于当前时刻的实际观测向量与上一时刻的预测观测向量计算归一化观测残差，并利用归一化观测残差更新级联积分扰动观测器的状态，得到更新后的积分状态变量；

14、调整模块，用于基于更新后的积分状态变量进行漂移检测，当判定制动效率因子发生漂移时，自适应调整采样标准差；

15、并行滚动推演模块，用于基于上一时刻的状态估计向量及自适应调整后的采样标准差，利用模型预测路径积分生成采样粒子，基于纵向动力学模型与观测模型在预测时域内进行并行滚动推演，得到状态轨迹集合与观测预测集合；

16、基础估计值计算模块，用于基于归一化观测残差构建多目标代价函数，并基于多目标代价函数计算各采样粒子的权重，并通过加权求和从所述状态轨迹集合中提取制动效率因子的基础估计值；

17、融合估计值计算模块，用于基于级联积分扰动观测器的故障变化率向量确定扰动增量，并将扰动增量叠加至基础估计值上，得到融合估计值；

18、最终估计值计算模块，用于基于所述融合估计值计算制动效率因子的最终估计值。

19、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的列车制动效率在线估计方法。

20、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的列车制动效率在线估计方法。

21、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的列车制动效率在线估计方法。

22、根据本申请提供的具体实施例，本申请具有以下技术效果：

23、（1）利用模型预测路径积分生成采样粒子，基于纵向动力学模型与观测模型在预测时域内进行并行滚动推演，采用基于采样的随机搜索策略代替梯度下降，利用大量粒子的并行推演覆盖状态空间，规避了非线性优化陷入局部极小值的风险，保证了估计的全局最优性；并且，并行滚动推演机制将复杂的非线性规划问题转化为可并行计算的代数运算，降低了计算耗时；

24、（2）利用级联积分扰动观测器的级联积分特性，能够捕捉制动效率因子是否发生漂移，比单纯依靠幅值阈值更早发现故障趋势，当检测到漂移时，自适应放大采样标准差，使得采样粒子能够快速扩散至新的故障状态空间并聚焦，避免了传统滤波器在参数突变或慢漂时的跟踪滞后和发散问题；

25、（3）将级联积分扰动观测器输出的扰动增量叠加至基础估计值上，既发挥了级联积分扰动观测器的微分跟踪能力，又保全了模型预测路径积分概率分布的完整性，抑制了瞬态噪声的影响。

1.一种列车制动效率在线估计方法，其特征在于，包括：

2.根据权利要求1所述的列车制动效率在线估计方法，其特征在于，所述纵向动力学模型的表达式为：

3.根据权利要求1所述的列车制动效率在线估计方法，其特征在于，级联积分扰动观测器的状态变量包括表征速度漂移率的一重积分项、表征加速度趋势的二重积分项和故障变化率向量；

4.根据权利要求1所述的列车制动效率在线估计方法，其特征在于，所述目标代价函数的表达式为：

5.根据权利要求4所述的列车制动效率在线估计方法，其特征在于，各采样粒子的权重的计算公式为：

6.根据权利要求5所述的列车制动效率在线估计方法，其特征在于，所述基础估计值的计算公式为：

7.一种列车制动效率在线估计装置，其特征在于，所述装置用于执行权利要求1-6中任一项所述的列车制动效率在线估计方法，所述装置包括：

8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的列车制动效率在线估计方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的列车制动效率在线估计方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的列车制动效率在线估计方法。