大數據高速列車車內壓力波動仿真控制研究

閆中奎，陳春俊，孫　宇

（西南交通大學機械工程學院，四川 成都 610031）

大數據高速列車車內壓力波動仿真控制研究

閆中奎，陳春俊，孫宇

（西南交通大學機械工程學院，四川 成都 610031）

為避免高速列車通過隧道時，列車表面的隧道壓力波通過車體縫隙以及換氣系統等傳入車內，影響車內乘客舒適度。該文基于高速列車行駛中海量數據的準周期性以及重復性，建立基于大數據的PD型迭代學習控制系統，通過迭代學習尋求最優換氣系統風機工作頻率，實時調節風機新風量與廢排量來抑制車內壓力波動。仿真分析表明：采用基于大數據的PD型迭代學習控制方式使得車內壓力波動幅值、最大1s變化率以及最大3s變化率呈明顯下降趨勢，明顯優于現有的主動控制（恒定風機頻率）方式，能夠更加有效地抑制高速列車車內壓力波動，提高乘客舒適度。

高速列車；車內壓力波動；PD迭代學習控制；準周期性；變頻風機

0　引　言

高速列車高速通過隧道時，空氣動力學效應特別顯著，隧道內空氣發生劇烈波動，形成復雜的隧道波［1-2］。劇烈的車外壓力波動會通過車體縫隙、風道以及空調系統等傳入車內，瞬間的車內壓力變化會造成乘客耳鳴、耳痛等癥狀，影響乘客的舒適度［3-4］。目前，控制高速列車車內壓力波動的方式主要有主動式和被動式兩種［5］，主動式的風機工作頻率是恒定的，沒有充分考慮隧道波的具體波動情況，被動式不適合在多隧道線路上使用。因此，在主動控制方式基礎上，設計一種依據列車實際運行狀態實時調節換氣風機運行頻率的控制方式，能夠有效地抑制車內壓力波動，提高乘客舒適度。

針對高速列車過隧道時誘發車內氣壓波動的問題，國內外學者進行了深入研究。梅元貴［6］、丁浩［7］、邵煥霞等［8］學者都對高速列車通過隧道或者隧道會車時車內壓力波動進行數值分析，但大都針對某個特定工況進行分析研究，沒有考慮高速列車在行駛中的準周期性以及重復性，在高速列車行駛中需要不斷地調節適應。本文基于大數據理論，高速列車在過隧道時形成的隧道壓力波具有準周期性以及在特定線路上的重復性，采用車內外氣壓傳遞非線性數學模型［9］，結合迭代學習控制，建立大數據迭代學習控制系統，來控制換氣風機頻率，使得能夠實時調節換氣系統的新風量與廢排量，對高速列車過隧道時所產生的車內壓力波動進行控制仿真研究。

1　車內外氣壓傳遞關系

高速列車車內壓力波動主要來自于車體氣密性泄露空氣量、新風機提供新風量以及廢排風機排出廢氣量3個方面。由質量守恒定律可知，當前時刻車內的空氣質量為上一時刻時的車內空氣質量與時間間隔內車內空氣質量的變化量之和。本文運用文獻［9］中的車內外氣壓傳遞非線性數學模型，結合高速列車過隧道實際情況，得出高速列車過隧道時的車內外氣壓傳遞關系，即：

式中：Po（t）、Po（t-1）——當前時刻和上一時刻車外氣壓，Pa；

Pi（t）、Pi（t-1）——當前時刻和上一時刻的

車內壓力，Pa；

C1=（f1/f0）2——新風機調速比；

C2=（f2/f0）2——廢排風機調速比；f0為風機

額定初始頻率（取60 Hz），f1、f2分別為新風機

與廢排風當前時刻工作頻率。

已知高速列車過隧道時的車外實測隧道壓力，通常情況下，車內初始壓力要比車外壓力高30Pa，依據車內外氣壓傳遞關系，通過不斷調試換氣風機的工作頻率，借助MatLab軟件仿真出車內氣壓波動，進而對比、分析換氣風機各工作頻率下的車內氣壓波動抑制情況。

2　控制算法設計

2.1控制算法選擇

高速列車投入到線路運行之后，將長時間重復在同線路上以相同速度、相同工況運行。在不斷的重復運行過程中，列車產生包括運行狀態、會車壓力波以及隧道壓力波、列車振動及舒適度等海量的近似重復的數據，這些數據可稱作準周期數據［10］。

本文主要研究高速列車過隧道時，換氣風機變頻作用對車內壓力波動的抑制情況。通過海量數據，對每次通過特定隧道時的換氣風機變頻控制效果進行比較、分析，尋求出對車內壓力波動抑制效果最好的換氣風機工作頻率。圖1為基于大數據的換氣風機控制系統框圖。

圖1　基于大數據的換氣風機控制系統框圖

由圖可知，通過車載標準傳感器實時監測高速列車在運行過程中的速度信息、位置信息以及氣壓波動信息等，可以判斷高速列車是否過隧道。當檢測到列車過隧道時，控制決策系統開始工作，調用控制算法庫對換氣風機的工作頻率進行控制調節，記錄并分析車內壓力波動抑制情況；當高速列車再次以相同工況進入相同隧道時，根據前次的控制結果進行計算、分析，依據控制規則給出新的控制量，如此進行不斷的控制調節，直到控制達到要求。

由于高速列車在運行過程中所產生的大數據具有準周期性以及特定線路上的重復性。在現有的眾多控制算法當中，迭代學習控制最適合于處理具有重復特性的系統。因此，將大數據與迭代學習控制方法相結合，提出基于大數據的車內氣壓波動迭代學習控制系統。

2.2迭代學習控制算法

迭代學習控制針對重復作業的被控對象非常適合，在有限的控制時間內，根據控制系統先前的控制經驗對當前控制不斷進行修正，使得系統的實際輸出無限趨近于系統期望輸出［11-12］。

迭代學習控制以系統實際輸出信號與系統期望信號的偏差來修正不理想的系統控制信號，使得系統的跟蹤性能得以提高。定義系統的跟蹤誤差為

由當前的控制信息uk（t）和跟蹤誤差信息ek（t）構成學習律，產生下一次迭代的控制信息uk+1（t），即：

式中L為給定映射，通常為線性函數。

本文針對某特定隧道的車內外氣壓進行仿真分析研究。由于高速列車在特定線路上過隧道時的車外隧道壓力波動具有準周期性和重復性。文中以高速列車過一次隧道作為一次迭代控制，根據上一次通過隧道時的車內壓力波動抑制效果分析計算，依據迭代學習律給出新的風機工作頻率控制量。通過不斷地迭代控制調節換氣系統的風機頻率，從而達到有效抑制車內壓力波動的目的。

本控制系統的車內期望壓力波動為P0（t），迭代k次（即第k次通過隧道）車內壓力波動為Pk（t），則系統的跟蹤誤差為

本文選用的學習律為開環PD型：第k+1次的換氣風機頻率等于第k次的風機頻率加上第k次的跟蹤誤差的PD校正項，即：

Kp、Kd——PD定常增益矩陣。

高速列車車內氣壓仿真控制模型框圖如圖2所示。

圖2　車內外氣壓迭代控制仿真模型圖

3　仿真分析

結合高速列車換氣風機的實際運轉情況，在本文仿真過程中，設置風機變頻控制周期Tc=2s，風機最高頻率fmax=70Hz，最低頻率fmin=0.5 Hz，使得頻率在此期間變化。

本文仿真以高速列車頭車300km/h通過某隧道的隧道上行波為例，借助Matlab軟件，進行連續的迭代控制。仿真時設置車內壓力期望值P0=0 Pa，以車內壓力偏差為迭代判斷條件，通過不斷調節PD型學習律的定常增益矩陣，車內壓力偏差隨迭代次數變化如圖3所示。

圖3　車內壓力偏差隨迭代次數變化圖

由圖可知，當Kp=0.73、Kd=8時，雖然經過大約40次迭代之后，車內氣壓偏差趨于收斂，但是迭代前期車內氣壓偏差波動太大，不可取，需要繼續調節PD學習律系數。考慮到迭代開始車內氣壓偏差較大，P環節對迭代控制對有較大影響，接下來需調小Kp，Kp=0.02，迭代收斂性很好；繼續微調D環節系數，當Kd=34時迭代收斂性以及收斂速度最優，從第18次迭代已近似收斂，當迭代到41次（高速列車第41次通過隧道）已經完全收斂，此時車內氣壓偏差很小，僅有e35=56.29Pa，完全符合車內乘客舒適度要求。

通過不斷的迭代控制，第41次迭代已完全收斂，迭代控制仿真時不考慮頻率改變后風機的響應時間，本文仿真所設置的頻率控制方式為每一次迭代過程中在40s的隧道內對采樣率為1kHz的氣壓值進行逐點控制，可知第41次迭代之后的風機頻率變化曲線如圖4所示。

圖4　第41次迭代后風機頻率變化曲線圖

風機頻率實時控制換氣系統，不斷地抑制車內壓力波動，經過41次迭代后，車內壓力波動已趨于期望壓力波動。高速列車頭車通過隧道時，在迭代控制與主動控制作用下的車內壓力波動仿真情況如圖5所示，波動幅值、1s變化率最大值與3s變化率最大值對比情況如表1所示。

圖5　頭車通過隧道迭代控制與主動控制對比圖

表1　頭車通過隧道時車內壓力波動參數表

由圖可知，迭代控制下的車內壓力波動情況明顯優于現有的主動控制方式。由表1可知，換氣系統控制方式改為迭代控制之后，波動幅值由原有的789.66Pa降為205.45Pa，性能改善了73.98%，1s變化率的最大值由原有的99.99Pa降為48.07Pa，性能改善了51.93%，3 s變化率的最大值也由原有的288.46Pa降為120.03Pa，性能改善了58.39%。由此可知，換氣系統控制方式改為迭代控制之后，更加有效地抑制了車內壓力波動。

同樣，對高速列車尾車通過隧道時的車內壓力波動情況進行仿真分析，迭代控制與主動控制作用下的車內壓力波動情況如圖6所示，車內壓力波動對比參數如表2所示。

圖6　尾車通過隧道迭代控制與主動控制對比圖

表2　尾車通過隧道時車內壓力波動參數表

由圖可知，高速列車尾車通過隧道時，迭代控制方式要明顯優于現有主動控制方式。由表2可知，在迭代控制方式作用下，車內波動幅值由1040.57Pa降為335.12Pa，性能改善了67.79%，1s變化率最大值由93.71 Pa降為67.98 Pa，性能改善了27.46%，3 s變化率最大值由262.98Pa降為169.83Pa，性能改善了35.42%。可知，換氣系統控制方式改為迭代控制之后，更加有效地抑制了車內壓力波動。

4　結束語

1）本文采用車內外氣壓傳遞非線性數學模型，基于高速列車重復運行過程中海量數據的準周期性，提出基于大數據的PD性迭代學習控制系統，并對系統進行仿真分析。

2）使用所建立的控制系統，實時地調節換氣系統風機工作頻率，通過對高速列車進出隧道進行仿真分析，結果顯示相對現有的主動控制方式，基于大數據的PD型迭代控制方式更能有效地抑制車內氣壓波動，提高乘客的舒適度。同時，由于不斷根據車內壓力波動情況實時地調節風機頻率，不僅可以提高風機的工作效率、還可以節約能源。

［1］李人憲，袁磊.高速列車通過隧道時的壓力波動問題［J］.機械工程學報，2014（24）：115-121.

［2］楊偉芳，陳春俊，鄧力.高速列車隧道壓力波模擬系統仿真控制研究［J］.中國測試，2014，40（2）：101-104.

［3］鈴木浩明，高魁源.車內壓力波動引起耳鳴的研究［J］.國外鐵道車輛，1999（5）：15-18.

［4］程虎，伍川輝.高速列車表面壓力測試設計［J］.中國測試，2012，38（4）：96-98.

［5］李樹典，周新喜.CRH2型200km/h動車組車內壓力波動控制研究［J］.機車電傳動，2009（2）：6-7.

［6］梅元貴，周朝暉.高速列車通過隧道時誘發車廂內壓力波動的數值分析［J］.鐵道學報，2005（5）：36-40.

［7］丁浩，李人憲，劉杰.換氣風機對高速列車內部壓力波動的影響分析［J］.機械工程與自動化，2013（4）：1-3.

［8］邵煥霞，梅元貴，周朝暉.高速空調客車通過隧道時車內壓力波數值方法初探［J］.鐵道機車車輛，2006（1）：31-33.

［9］熊文偉，陳春俊，方超.高速列車車內壓力波動模糊控制研究［J］.計算機測量與控制，2014（9）：2781-2783.

［10］李國杰，程學旗.大數據研究：未來科技及經濟社會發展的重大戰略領域——大數據的研究現狀與科學思考［J］.中國科學院院刊，2012（6）：647-657.

［11］李仁俊，韓正之.迭代學習控制綜述［J］.控制與決策，2005（9）：961-966.

［12］于少娟，齊向東，吳聚華.迭代學習控制理論及應用［M］.北京：機械工業出版社，2005：76-92.

（編輯：莫婕）

Simulation and control research of air pressure fluctuation in high-speed train based on big data

YAN Zhongkui，CHEN Chunjun，SUN Yu
（School of Mechanical Engineering，Southwest Jiaotong University，Chengdu 610031，China）

In order to avoid the tunnel pressure wave generated on the train surface transmit into the interior of the train through its body gap and ventilation system so as to influence the comfort of passengers，when the high-speed train passes through the tunnel.A PD iterative learning control system was established based on big data as well as the quasi-periodicity and repeatability of massive data generated in the running process of high-speed trains.The iterative learning method was applied to work out the optimal working frequency of ventilation fans and the fresh air volume of the ventilation fans were adjusted to restrain the pressure fluctuation inside the train in real-time.The simulation results show that the proposed method has significantly reduced the pressure fluctuation amplitude as well as the maximum 1 s change rate and the maximum 3 s change rate.It is superior to existing active control methods（constant ventilation fan frequency）andmoreefficient inminimizingthe airpressurefluctuationandimprovingthecomfortof passengers.

high-speed train；pressure fluctuation inside train；PD iterative learning control；quasiperiodicity；frequency conversion fan

A

1674-5124（2016）05-0093-05

10.11857/j.issn.1674-5124.2016.05.020

2015-10-12；

2015-11-23

國家自然科學基金項目（51475387，51375403）

閆中奎（1990-），男，山東濟寧市人，碩士研究生，專業方向為自動化控制與檢測。

陳春俊（1967-），男，四川蒲江縣人，教授，博士，主要從事計量測試技術、自動化控制、空氣動力學方向的研究。