侧风下大跨拱桥变形对高速列车行车平稳性的影响机理

李小珍; 周彦希; 王铭

doi:10.3969/j.issn.0258-2724.20220598

侧风下大跨拱桥变形对高速列车行车平稳性的影响机理

doi: 10.3969/j.issn.0258-2724.20220598

李小珍^{1, 2,},
周彦希^{1, 2},
王铭^{1, 2, ,}

1.
西南交通大学土木工程学院，四川成都 610031
2.
西南交通大学桥梁智能与绿色建造全国重点实验室，四川成都 611756

基金项目: 国家自然科学基金项目（52208505，52278463）

详细信息

作者简介:
李小珍（1970—），男，教授，研究方向为风-车-桥耦合振动，E-mail：xzhli@swjtu.edu.cn

通讯作者:
王铭（1989—），男，副研究员，研究方向为风-车-桥耦合振动， E-mail：ming.wang@swjtu.edu.cn

中图分类号: U441.7；U211
计量
- 文章访问数: 354
- HTML全文浏览量: 176
- PDF下载量: 119
- 被引次数: 0
出版历程
- 收稿日期: 2022-09-13
- 修回日期: 2022-11-30
- 网络出版日期: 2023-11-17
- 刊出日期: 2022-12-01

Influence Mechanism of Long-Span Arch Bridge Deformation on Running Stability of High-Speed Trains Under Crosswind

LI Xiaozhen^{1, 2
,},
ZHOU Yanxi^{1, 2},
WANG Ming^{1, 2
, ,}

1.
School of Civil Engineering, Southwest Jiaotong University, Chengdu 610031, China
2.
State Key Laboratory of Bridge Intelligent and Green Construction, Southwest Jiaotong University, Chengdu 611756, China

摘要

摘要:
为探求侧风下的拱桥变形对列车平稳性的作用机理，通过风-车-桥耦合系统得到跨中横、竖向位移，分析不同风速、车速下的列车行车平稳性，量化桥梁变形对风-车-桥系统中列车横、竖向加速度的贡献；结合车体加速度响应的敏感波长及桥梁变形的时频特性，分析桥梁变形对行车平稳性影响机理. 结果表明：桥梁竖向位移差异较横向位移差异较小，且主要位移由车致桥梁变形产生，最大幅值达到了−9.2 mm；在列车及风荷载作用下，桥梁横向及竖向位移较为显著，但其对列车平稳性的影响主要体现在交界墩位置处，约为其余位置响应的4倍；除交界墩区域，桥上列车的行车平稳性主要由风致列车振动及轨道不平顺决定；车体横向及竖向加速度功率谱密度分布与轨道不平顺的波长密切相关，其对应的敏感波长区间均小于120 m；车体横向及竖向加速度主要受车辆荷载作用引起的桥梁变形影响，而风荷载引起的桥梁变形主要分布于主跨范围内，波长大于120 m，因而未对列车车体加速度产生显著影响.
- 高速列车 /
- 行车平稳性 /
- 桥梁变形 /
- 风荷载 /
- 风-车-桥系统
Abstract:
In order to explore the influence mechanism of arch bridge deformation on the running stability of the train under crosswind, the horizontal and vertical displacement of the mid-span was obtained through the wind, vehicle, and bridge coupling system, and the running stability of the train under different wind speeds and train speeds was analyzed. The contribution of bridge deformation to horizontal and vertical acceleration of the train in the wind, vehicle, and bridge system was quantified. Combined with the sensitive wavelength of the acceleration response of the train and the time-frequency characteristic of bridge deformation, the influence mechanism of bridge deformation on running stability was analyzed. The results show that the vertical displacement difference of the bridge is smaller than the horizontal displacement difference, and the main displacement is caused by the vehicle-induced bridge deformation. The maximum value reaches −9.2 mm. Under the action of train and wind load, the horizontal and vertical displacement of the bridge is more significant, but its influence on the stability of the train is mainly reflected in the position of the junction pier, which is about four times the response of other positions. Except for the junction pier area, the running stability of the train on the bridge is mainly determined by the wind-induced train vibration and track irregularity. The spectral density distribution of horizontal and vertical acceleration power of the train is closely related to the wavelength of track irregularity, and the corresponding sensitive wavelength range is less than 120 m. The horizontal and vertical acceleration of the train is mainly affected by the bridge deformation caused by the vehicle load, while the bridge deformation caused by wind load is mainly distributed in the main span, and the wavelength is larger than 120 m. Therefore, it does not exert a significant impact on the acceleration of the train.
- high-speed train /
- running stability /
- bridge deformation /
- wind load /
- wind, vehicle, and bridge system

HTML全文

作为一种新型轨道交通方式，磁浮列车基于电磁力实现列车的无接触悬浮、导向和驱动，有效克服传统轮轨交通制式存在的弓网受流和轮轨黏着约束，是实现城市和城际之间快速互联的有效解决方案^[1]. 20 世纪60年代，以研究常导电磁悬浮技术为代表的德国和低温超导电动悬浮为代表的日本率先开启磁浮交通技术的攻关^[2]. 2002年，我国通过引进和消化德国相关磁浮技术，在上海建设了全球首条高速磁浮商业运营线，设计速度达505 km/h，已安全运行超过20年. 此外，我国还在长沙、北京、清远等地区建设了城市轨道交通中低速磁浮线以及旅游观光线. 未来，我国还将储备和发展速度600 km/h级高速磁浮列车相关技术，有望在特定场景下补充或替代传统铁路运输方式，显示出磁浮交通系统的巨大发展潜力^[3].

目前，城市轨道交通中的地铁列车和磁浮列车基本都运行在线路相对固定和封闭的环境中，且车型统一，大多采用自动驾驶（ATO）的控车方式. 在自动驾驶过程中，精确平稳的速度跟踪控制是其安全高效运行的重要保障，其相关控制算法也是自动驾驶系统的关键底层逻辑. 针对列车在各类不同运行工况下的列车速度自动控制方法，国内外学者开展了许多卓有成效研究，并且很多方法都已获得实际工程应用. 何之煜等^[4]针对高速列车，利用非参数化迭代学习控制方法实现了列车准点运行和精确停车，并且该算法已成功试验在CRH3型列车中；王青元等^[5]设计了一种列车ATO系统的自适应终端滑模控制方法，在实现精确控车的基础上有效降低控制输入切换频率，提升乘坐舒适性；Mao^[6]研究了故障工况下列车的自适应容错控制方法，保证跟踪误差渐近收敛的同时能够有效降低执行器故障造成的不利影响；林雪等^[7]在考虑故障的基础上进一步考虑执行器饱和的影响，提出高速列车自适应神经网络滑模控制策略；Ji等^[8]利用迭代学习控制策略，解决存在未知速度延迟和输入饱和下的列车精确速度跟踪问题；Sun等^[9]基于搭接结构提出电磁悬浮系统模型预测控制方法，实现多约束条件下磁浮列车的平稳运行.

近年来，自抗扰控制以其不依赖模型、抗扰性强、控制精度高等优势，逐步开始应用于磁浮列车系统设计. 龙志强等^[10]提出一种基于自抗扰控制（ADRC）的磁浮列车ATO算法，该方法克服了传统比例、积分和微分（PID）控制存在的过大超调和速度频繁切换问题，对提升磁浮列车乘坐舒适性和跟踪精确性具有显著优势. 黄翠翠等^[11]针对的磁浮复合隔振系统干扰的抑制问题设计自抗扰控制器，有效提升系统抗干扰能力. 王盼盼等^[12]针对磁浮列车的速度跟踪控制的时滞问题，运用自抗扰控制理论实现磁浮列车在不同路段精准跟踪目标速度曲线，且具有跟踪误差小和抗干扰性强等优势. Lu等^[13]基于ADRC原理提出一种磁浮列车主动导向系统的优化控制算法，并基于磁浮实验原理样车验证了算法的应用效果. 针对电动悬浮型磁浮列车的偏航角干扰抑制问题，Zhang等^[14]提出显式互补滤波ADRC算法，减弱了列车振动引起的高频噪声. 可以看到，ADRC技术在磁悬浮列车运行控制、悬浮控制和导向控制等方面均表现出良好的性能优势，为本文提供了技术参考. 执行精确的制动和加速控制并精确地跟踪设定的速度曲线是自动驾驶系统的关键目标. 在复杂磁场力和多变外部因素干扰下，磁浮列车还受到直线电机阻力、电磁涡流阻力影响，其纵向动力学结构相较传统轮轨交通列车更为复杂，要实现磁浮列车的精确平稳速度控制更为困难，因此，有必要深入研究扰动环境下的磁浮列车速度自动控制策略.

在前述研究成果的基础上，本文结合自抗扰控制和多种群遗传算法2方面优势，提出一种参数自动整定的磁浮列车速度控制方法. 首先，对磁浮列车纵向动力学进行建模；然后，构建ADRC速度控制器的各个环节，并将多种群遗传算法应用于ADRC参数整定；最后，通过对比实验验证本文所提出方法的优越性.

1. 磁浮列车运动学模型描述

根据磁浮列车的纵向受力分析，可归纳为牵引力、制动力和运行阻力3部分，其中，运行阻力包括基本阻力与附加阻力.

1.1 牵引制动力

以中低速磁浮列车为例，车载直线感应电机采用“恒滑差频率”调速方式，电机工作在转折速度以下时产生恒定牵引力，高于转折速度时牵引力随速度增加而减少，如式（1）^[15].

${F_{\text{t}}}(t) = \left\{ \begin{gathered} 40,\quad{\text{ 0}} \leqslant v < 9.72{\text{ m/s}}, \\ 1.442 \times {10^3} \times v^{ - 1.008}, \\ \quad{\text{ 9}}{\text{.72}}\;{\mathrm{m/s}} \leqslant v < 13.89{\text{ m/s}}, \\ 7.287 \times {10^4} \times v^{ - 2.009}, \\ \quad{\text{ 13}}{\text{.89}}\;{\mathrm{m/s}} \leqslant v \leqslant 19.45{\text{ m/s}}, \\ \end{gathered} \right.$

(1)

式中： F_t为牵引制动力，v为电机运行速度.

制动方式主要包括电制动和液压制动，电制动力 ${F_{{\text{be}}}}$ 和液压制动力 ${F_{{\text{bh}}}}$ 如式（2）所示. ${F_{{\text{be}}}}$ 随速度提升而增加，速度达到6 km/h后保持恒定； ${F_{{\text{bh}}}}$ 随速度增加而逐渐变小，在6 km/h时降至0^[15].

$\left\{\begin{array}{l} {F_{{\text{be}}}}(t) = \left\{ \begin{gathered} 5.689v - 0.219,\quad{\text{ 0}} < v < 1.667{\text{ m/s}}, \\ 33.9,\quad{\text{ 1}}{\text{.667}}{\text{ m/s}} \leqslant v < 19.445{\text{ m/s}}, \\ \end{gathered} \right.\\ {F_{{\text{bh}}}}(t) = \left\{ \begin{gathered} - 5.692v + 34.596, \\ \quad{\text{ 0}} < v < 1.667{\text{ m/s}}, \\ 0,\quad{\text{ 1}}{\text{.667}}{\text{ m/s}} \leqslant v < 19.445{\text{ m/s}}, \\ \end{gathered} \right. \end{array}\right.$

(2)

1.2 运行阻力

1）基本阻力 ${F_{\text{b}}}$ . 磁浮列车的基本阻力由空气阻力 ${f_{\text{a}}}$ 、直线电机阻力 ${f_{\text{e}}}$ 以及涡流阻力 ${f_{\text{m}}}$ 组成.

a）空气阻力：磁浮列车高速运行时，主要阻力来源是空气阻力，其数值与列车的运行速度、最大截面积、空气密度和列车表面形状等有关，经验计算公式^[16]为

${f_{\text{a}}} = c {v^2} {10^{ - 3}},$

(3)

式中： c为阻力系数，kNs²/m².

b）直线电机阻力：由直线电机产生电磁力牵引，运行过程中直线电机的初级线圈在悬浮磁铁的磁场中产生感应电流，进而产生阻碍列车运行的力，计算公式^[16]为

${f_{\text{e}}} = \left\{ \begin{gathered} 3.3n,\quad 0 < v < 41.7{\text{ m/s}}, \\ (146{\text{/}}v(t) - 0.2)n,\quad v \geqslant 41.7{\text{ m/s}} , \\ \end{gathered} \right.$

(4)

式中：n为列车编组数.

c）电磁涡流阻力：磁浮列车运行时，车载线圈相对轨道电磁体做切割磁感线运动，产生水平方向上阻碍磁浮列车运行的力，该阻力的模型^[16]为

${f_{\text{m}}} = \frac{1}{2}n [{(v{\text{/}}111)^{0.5}} + 1.3 {(v{\text{/}}111)^{0.7}}].$

(5)

2）附加阻力 ${F_{\text{a}}}$ . 附加阻力是由线路条件或列车特定工况额外产生的阻力，包含曲线、隧道、坡道阻力等. 考虑到磁浮列车具有较好的爬坡能力，仅考虑由于坡道产生的附加阻力，如式（6）^[5-6].

${F_{\text{a}}} = mg \tan \theta /1\;000,$

(6)

式中：θ为线路坡度的角度，m为列车总质量（T）.

综上，根据牛顿运动学并结合式（1）～（6），建立磁浮列车的运动学模型为

$\left\{ \begin{gathered} \dot s = v, \\ m\dot v = F - {F_{\text{b}}} - {F_{\text{a}}} + D, \\ \end{gathered} \right.$

(7)

式中：s为磁浮列车实时位置，F为牵引/制动力，D为外部扰动.

2. 自抗扰控制器设计

本节设计用于磁浮列车速度状态调整的ADRC控制器. 为便于后续分析，令 $s = {x_1}$ ， $v = {x_2}$ ，磁浮列车二阶控制系统的状态方程为

$\left\{ \begin{gathered} {{\dot x}_1}(t) = {x_2}(t), \\ {{\dot x}_2}(t) = u(t) - f({x_1},{x_2},t) + d(t), \\ \end{gathered} \right.$

(8)

式中：u为系统控制输入，表示磁浮列车在牵引/制动力作用下产生的单位质量加速度；f为列车在外部阻力下的加速度；d为扰动量.

2.1 跟踪微分器（TD）

自抗扰控制的过渡过程由非线性跟踪微分器执行，微分控制器输出目标曲线的跟踪曲线和目标曲线的微分，在一定程度上解决了PID控制存在的快速和超调的矛盾，形式为^[17]

$\left\{ \begin{gathered} {v_1}(t + 1) = {v_1}(t) + h{v_2}(t), \\ {v_2}(t + 1) = {v_2}(t) + h {\text{fst}}({v_1}(t) - {v_{\mathrm{r}}}(t),{v_2}(t),\delta ,{h_0}), \\ \end{gathered} \right.$

(9)

式中：v₁为输出的跟踪值，v_r为输入参考值；v₂为v₁的微分；h为采样周期；δ为跟踪速度因子，其值的大小决定跟踪速度的快慢；h₀为滤波因子，用于抑制v₁（k）产生过大超调fst（·）为最速控制综合函数，如式（10）.

$\begin{split} &{\text{fst}}({v_1}(k) - {v_{\mathrm{r}}}(k),{v_2}(k),\delta ,{h_0})= \\ &\quad - \left\{ \begin{gathered} \delta {\text{sign}}(a),\quad |a| > d, \\ \delta \frac{a}{d},\quad |a| \leqslant d, \\ \end{gathered} \right. \end{split}$

(10)

$a = \left\{ \begin{gathered} {v_2} + \frac{{({a_0} - d)}}{2}{\text{sign}}(w),\quad \left| w \right| > {d_0}, \\ {v_2} + \frac{w}{{{h_0}}},\quad \left| w \right| \leqslant {d_0}, \\ \end{gathered} \right.$

(11)

式中： $d = \delta {h_0} ,\; {d_0} = {h_0}d ,\; w = ({v_1} - {v_r}) + {h_0}{v_2} ,\; {a_0} = \sqrt {{d^2} + 8\delta |s|}$ .

2.2 扩张状态观测器（ESO）

（1） ESO设计形式

ESO将系统不确定项和外扰视为扩张状态，基于系统的输入和输出信息实时估计无法直接测量的状态，进而利用控制律有效抵消这些扰动对系统控制性能的影响.

将模型（8）中的 $d(t) - f({x_1},{x_2},t)$ 视为扩张状态 ${x_3}$ ，并令 ${\dot x_3}(t) = \omega (t)$ ，模型（8）扩张为三阶系统：

$\left\{ \begin{gathered} {{\dot x}_1}(t) = {x_2}(t), \\ {{\dot x}_2}(t) = u(t) + {x_3}(t), \\ {{\dot x}_3}(t) = \omega (t), \\ y(t) = {x_1}(t), \\ \end{gathered} \right.$

(12)

针对系统（12），设计三阶ESO形式为

$\left\{ \begin{gathered} {e_1} = {{\textit{z}}_1} - y, \\ {{\dot {\textit{z}}}_1} = {{\textit{z}}_2} - {\beta _1}{e_1}, \\ {{\dot {\textit{z}}}_2} = {{\textit{z}}_3} - {\beta _2}{\text{fal}}({e_1},\alpha ,\tau ) + u(t), \\ {{\dot {\textit{z}}}_3} = - {\beta _3}{\text{fal}}({e_1},\alpha ,\tau ), \\ \end{gathered} \right.$

(13)

式中：e₁为状态误差；α为一个幂指数， $0 < \alpha < 1$ ； $\tau$ 为线性区间长度， $0 < \tau < 1$ ；z₁、z₂、z₃为观测器状态； ${\beta _1}$ 、 ${\beta _2}$ 、 ${\beta _3}$ 为待设计观测器增益；fal（·）为一个非线性函数，用于削弱在切换区间由高增益产生的抖振，如式（14）.

${\text{fal}}({e_1},\alpha ,\tau ) = \left\{ \begin{gathered} \frac{{{e_1}}}{{{\tau ^{1 - \alpha }}}},\quad \left| {{e_1}} \right| \leqslant \tau \\ {\left| {{e_1}} \right|^\alpha }{\text{sign}}({e_1}),\quad \left| {{e_1}} \right| > \tau \\ \end{gathered} \right.$

(14)

式中： $\tau$ 为线性区间长度， $0 < \tau < 1$ ， $0 < \alpha < 1$ .

2） 收敛性分析

ESO观测误差系统为

$\left\{ \begin{gathered} {e_1} = {{\textit{z}}_1} - y, \\ {{\dot e}_1} = {e_2} - {\beta _1}{e_1}, \\ {{\dot e}_2} = {e_3} - {\beta _2}{\text{fal}}({e_1},\alpha ,\tau ), \\ {{\dot e}_3} = \omega (t) - {\beta _3}{\text{fal}}({e_1},\alpha ,\tau ). \\ \end{gathered} \right.$

(15)

令 ${\boldsymbol{e}} = {\left[ {\begin{array}{*{20}{c}} {{e_1}}&{{e_2}}&{{e_3}} \end{array}} \right]^{\text{T}}}$ ，将式（15）在零平衡点的状态表示为矩阵形式，如式（17）.

$\dot {\boldsymbol{e}} = - {\boldsymbol{A}}(e){\boldsymbol{e}},$

(16)

式中：

${\boldsymbol{A}}(e) = \left[ {\begin{array}{*{20}{c}} {{\beta _1}}&{ - 1}&0 \\ {{\beta _2}\dfrac{{{\text{fal}}({e_1},\alpha ,\tau )}}{{{e_1}}}}&0&{ - 1} \\ {{\beta _3}\dfrac{{{\text{fal}}({e_1},\alpha ,\tau )}}{{{e_1}}}}&0&0 \end{array}} \right].$

(17)

令 $F = \dfrac{{{\text{fal}}({e_1},\alpha ,\tau )}}{{{e_1}}}$ ，显然 $F > 0$ . 令 $B = {\beta _1}{\beta _2} - {\beta _3}$ ，当满足 $B > 0$ 时，可得主对角线元素均为正的矩阵 ${\boldsymbol{D}}$ ，使 ${\boldsymbol{DA}}(e)$ 为对称正定矩阵：

${\boldsymbol{D}} = \left[ {\begin{array}{*{20}{c}} 1&{\dfrac{{{\beta _2}}}{B} + {\sigma _1}}&{ - \delta } \\ { - \dfrac{{{\beta _2}}}{B} - {\sigma _1}}&\delta &{\dfrac{1}{{BF}} + {\sigma _2}} \\ \delta &{ - \dfrac{1}{{BF}} - {\sigma _2}}&\delta \end{array}} \right],$

(18)

式中： $\delta$ 为无穷小的正数， ${\sigma _1}$ 、 ${\sigma _2}$ 为关于 $\delta$ 的接近0的值.

取误差系统式（16）的Lyapunov函数为

$V(t) = \int_0^t {( - {{\dot {\boldsymbol{e}}}^{\text{T}}}{\boldsymbol{D}}\dot {\boldsymbol{e}}){\text{d}}\tau } + {C_0},$

(19)

式中： ${C_0}$ 为常数.

将式（18）展开可得

$\begin{split} & V(t) = \int_0^t { - {{({\boldsymbol{A}}(e){\boldsymbol{e}})}^{\text{T}}}{\boldsymbol{D}}({\boldsymbol{A}}(e){\boldsymbol{e}}){\text{d}}\tau } + {C_0}= \\ &\quad \int_0^t [ - {({\beta _1}{e_1} - {e_2})^2} - \delta {({\beta _2}F - {e_3})^2} - \delta {({\beta _3}F)^2}{\text{]d}}\tau + {C_0} . \end{split}$

(20)

由于 $\delta \to 0$ ，进一步有

$V(t) \approx {C_0} - \int_0^t {{{({\beta _1}{e_1} - {e_2})}^2}{\text{d}}\tau }.$

(21)

在平衡点处， $\displaystyle\int_0^t {{{({\beta _1}{e_1} - {e_2})}^2}{\text{d}}\tau }$ 有界，故选取合适的 ${C_0}$ 可保证 $V(t) > 0$ .

对 $V(t)$ 求导，有

$\begin{split} & \dot V(t) = - {({\beta _1}{e_1} - {e_2})^2} - \delta {({\beta _2}F - {e_3})^2}- \\ &\quad \delta {({\beta _3}F)^2} \leqslant 0. \end{split}$

(22)

当且仅当 ${\boldsymbol{e}} = {\boldsymbol{0}}$ 时， $\dot V(t) = 0$ . 由式（21）、（22）可知，当 $B > 0$ 时，系统在平衡点处渐进稳定. 即观测器增益均为正数且满足 ${\beta _1}{\beta _2} - {\beta _3} > 0$ ，ESO关于平衡点渐进稳定.

2.3 误差反馈控制律（NLSEF）

依据“大误差小增益，小误差大增益”的工程思想，ADRC的误差反馈控制律实际上是对PID线性加权控制的一种改进. 本文设计的误差反馈控制律表达式为

$\left\{ \begin{gathered} {\varepsilon _1} = {v_1} - {{\textit{z}}_1}, \\ {\varepsilon _2} = {v_2} - {{\textit{z}}_2}, \\ {u_0} = {k_{\text{p}}}{\varepsilon _1} + {k_{\text{d}}}{\varepsilon _2}, \\ u = {u_0} - {{\textit{z}}_3}, \\ \end{gathered} \right.$

(23)

式中： ${k_{\text{p}}}$ 和 ${k_{\text{d}}}$ 均为待设计控制参数， ${u_0}$ 为NLSEF输出控制量.

综上，磁浮列车ADRC控制结构如图1所示.

图 1 磁浮列车MPGA-ADRC控制框架

Figure 1. MPGA-ADRC frame of maglev train

下载: 全尺寸图片幻灯片

3. 基于基于多种群遗传算法（MPGA）的ADRC参数整定

ADRC涉及多个控制环节，其中ESO起到状态观测和扰动估计的作用，而NLSEF是实现误差反馈控制和扰动补偿的重要环节. ADRC控制参数众多，传统ADRC利用工程经验或人工手动调参，难以取得最优控制效果. 为此，本节提出基于多种群遗传算法（MPGA）的参数整定方法，利用MPGA对ESO参数 ${\beta _1}$ 、 ${\beta _2}$ 、 ${\beta _3}$ 以及NLSEF参数 ${k_{\text{p}}}$ 、 ${k_{\text{d}}}$ 进行综合整定，选择最优的控制器参数组，从而提升ADRC的控制精度，实现控制参数的自动整定优化.

3.1 MPGA原理

MPGA通过改善种群间交互方式提升算法寻优效率和收敛速度，是对标准遗传算法（SGA）的改进. 具体来说，MPGA通过引入移民算子的迁移机制，将当前群中适应度最优的个体替换子代种群中适应度最差的个体，促进种间的群协同进化；进一步利用人工选择算子将适应度最优的个体保存至精英种群，避免进化过程中最优个体丢失. MPGA算法原理如图2所示.

图 2 MPGA算法原理

Figure 2. Principle of MPGA

下载: 全尺寸图片幻灯片

3.2 MPGA参数设定

1）适应度函数.

以速度追踪误差的时间积分作为目标函数的一个子项，保证列车停车精度和精确跟踪参考速度曲线；在约束系统误差的同时，还应避免控制量过大，兼顾执行机构的输出能力. 结合对追踪误差和控制量的限制，选取式（24）形式的目标函数：

${J_{{\text{ADRC}}}}{\text{ = }}\int_0^{{t_s}} {{\omega _1}\left| {e(t)} \right|{\text{ + }}{\omega _2}\left| {u(t)} \right|{\text{d}t}},$

(24)

式中： $e(t) = y(t) - {v_{\mathrm{r}}}(t)$ ； ${\omega _1}$ 和 ${\omega _2}$ 均为加权值，本文选取 ${\omega _1} = 0.9$ ， ${\omega _2} = 0.1$ ；t_s为仿真运行结束时刻.

计算过程中对变量进行归一化处理，将原始值划归至[0,1]内，归一化算法为

$p(i) = \frac{{\hat p(i) - \mathop {\min }\limits_{1 \leqslant i \leqslant n} \hat p(i)}}{{\mathop {\max }\limits_{1 \leqslant i \leqslant n} \hat p(i) - \mathop {\min }\limits_{1 \leqslant i \leqslant n} \hat p(i)}},$

(25)

式中： $\hat p(i)$ 为原始 $e(i)$ 或 $u(i)$ 数据， $e(i)$ 和 $u(i)$ 分别第i个数据的误差和控制律；n为仿真生成的总数据数量.

目标函数值越小，代表种群中个体的适应度越高. 选取目标函数倒数作为MPGA适应度函数：

$f = \frac{1}{{{J_{{\text{ADRC}}}}}}.$

(26)

2）交叉和变异概率

传统遗传算法采用固定交叉和变异概率，较大的交叉概率虽然能提高交叉操作的速度，但会降低算法的寻优效率；采用较小的概率可能会过早地陷入局部最优解. 针对这一矛盾，MPGA的解决方法是令每个种群在一定范围内随机生成交叉和变异概率，如式（27）.

$\left\{ \begin{gathered} {P_{\text{c}}}(q) = {p_{{\text{c0}}}} + {p_{{\text{cn}}}}(q), \\ {P_{\text{m}}}(q) = {p_{{\text{m0}}}} + {p_{{\text{mn}}}}(q), \\ \end{gathered} \right.$

(27)

式中： ${P_{\text{c}}}(q)$ 为第q个种群的交叉概率，设置固定值 ${p_{{\text{c0}}}} = 0.7$ ， ${p_{{\text{cn}}}}(q) \in [0,0.2]$ ， ${P_{\text{m}}}(q)$ 为第q个种群的变异概率， ${p_{{\text{m0}}}} = 0.01$ ， ${p_{{\text{mn}}}}(q) \in [0,0.04]$ .

3）种群和个体数量

种群规模过小会导致收敛过快而陷入局部最优解，规模设定过大可能导致运算效率低，长时间内难以收敛到最优解. 综合考虑算法效率和寻优性能，设定种群数量为 20，种群中个体数量为50.

4）迭代精度

以最优个体保持代数为算法结束判据，即连续若干代种群的精英个体没有显著改善，则可认为算法已经达到最优解. 本文设定连续10代相同即判定寻优结束.

3.3 MPGA流程

根据 MPGA原理及磁浮列车ADRC控制结构建立算法流程. 具体规则如下：

步骤1　初始化. 设定种群和个体数量，确定待优化参数取值范围并对其染色体基因编码，创建初始种群.

步骤2　适应度计算. 调用磁浮列车ADRC模型，根据控制器输出和误差量，代入目标函数计算各初始种群个体的适应度.

步骤3　选择交叉、变异. 采用轮盘赌选择方式选取种群中适应度较优的2个个体，然后依据本种群的交叉概率对选择的个体进行重组生成子代，最后根据变异概率对该子代个体进行相应的变异生成新子代.

步骤4　移民. 周期性地选取当前种群中适应度高的个体移民至相邻种群.

步骤5　人工选择. 利用选择算子并将各种群中最优个体引入精英种群.

步骤6　算法结束. 若精英种群中新子代与上代最优个体之间连续10代无变化，则结束算法，输出最优个体，否则转步骤 2.

3.4 收敛性分析

通过上述分析可知，MPGA能够在有限迭代次数内搜索全局最优解，下面从数学上分析这一推测的正确性^[18-19].

设式（26）存在l个不同极大值点，根据适应度大小排列为

$f({X_1}) < f({X_2}) < \cdots < f({X_l}).$

(28)

假设目前处于状态 ${X_a}$ ，定义

$X_a^ + = \left\{ {X|f(X) > f({X_a})} \right\}.$

(29)

由于对任意个体进行有限次变异能够实现解空间的遍历搜索，因此

$P({X_a} \to X_a^ + {\text{)}} \geqslant P({X_b} \to X_b^ + {\text{)}} > {\text{0 }}(b > a) \text{，}$

(30)

式中：P为概率.

也就是说，当前状态为非全局最大值时，MPGA能够在有限步内实现由当前状态向存在更大极值点区域的定向转移. 由于局部极大值点的数恒少于其状态数，故MPGA可保证在有限步内搜索问题的全局最优解.

3.5 优化结果

依据3.3与3.4节设定的参数和流程运行MPGA，并与标准遗传算法进行对比. 设置SGA迭代次数为50，在达到迭代次数后即终止运行. 2种算法分别运行3次，结果如图3所示，并将图3的结果记录于表1. 由图4可知：MPGA运行3次得到的最优适应度值完全一致，在第15代左右开始收敛，保持代数达到10后停止运行，平均运行次数为24；SGA在接近最大迭代次数时算法仍然未达到稳定，且3次运行得到的最优适应度值均不相同，最优结果略小于MPGA. 这说明MPGA相比SGA具有更好的稳定性，兼顾了局部搜索效率和全局搜索效率.

表 1 算法效果对比

Table 1. Comparison of algorithm effects

运行次数	MPGA		SGA
运行次数	迭代次数/次	最优值	迭代次数/次	最优值
第1次	27	0.0776	50	0.0769
第2次	25	0.0776	50	0.0776
第3次	21	0.0776	50	0.0764

下载: 导出CSV

| 显示表格

图 3 适应度变化过程

Figure 3. Change process of fitness

下载: 全尺寸图片幻灯片

记录MPGA第1次运行时的参数调整过程，如所示. 在适应度迭代过程中控制参数不断地进行优化，经过27次迭代，得到最优控制器参数组合： ${\beta _1} = 1009.3$ ， ${\beta _2} = 1559.7$ ， ${\beta _3} = 4397.3$ ， ${k_{\text{p}}} = 17.3$ ， ${k_{\text{d}}} = 14.8$ .

图 4 参数调整过程

Figure 4. Process of parameters’ adjustment

下载: 全尺寸图片幻灯片

4. 数值仿真

本节利用数字仿真软件验证基于多种群遗传算法参数优化的自抗扰控制器（MPGA-ADRC）对磁浮列车速度跟踪控制的效果. MPGA-ADRC速度控制结构如图5所示. MPGA-ADRC控制参数如表2所示. 该结构主要包括MPGA-ADRC控制器以及磁浮列车纵向动力学模型，其中纵向动力学模型包括速度响应特性、运行阻力模型以及扰动模型.

图 5 基于MPGA-ADRC的磁浮列车速度控制结构

Figure 5. Speed control structure of maglev train based on MPGA-ADRC

下载: 全尺寸图片幻灯片

表 2 MPGA-ADRC控制参数

Table 2. Control parameters of MPGA-ADRC

名称	控制参数
TD	$\delta = 0.9$ ， $h = 0.01$ ， ${h_0} = 0.011$
ESO	$\alpha = 0.5$ ， $\tau = 0.01$ ， ${\beta _1} = 1\;009.3$ ， ${\beta _2} = 1\;559.7$ ， ${\beta _3} = 4\;397.3$
NLSEF	${k_{\text{p}}} = 17.3$ ， ${k_{\text{d}}} = 14.8$

下载: 导出CSV

| 显示表格

4.1 相关参数设置

为验证算法对实际线路的控制效果，采用唐山磁浮ATO运行曲线作为目标速度曲线验证外部扰动下MPGA-ADRC的鲁棒性，ATO曲线如图6.

图 6 唐山线固定限速曲线及ATO跟踪曲线

Figure 6. Fixed speed limit curve and ATO tracking curve of Tangshan Line

下载: 全尺寸图片幻灯片

线路扰动设置如下：1）在运行全程加入功率谱密度为0.1、采样时间为0.1 s的白噪声，模拟磁浮列车受到的内部干扰. 2）在列车运行至330 m处加入幅值为1、脉冲宽度为0.5 s的矩形方波，用于模拟列车在巡航阶段和停车制动阶段受到突发外部扰动.

4.2 实验结果

为验证MPGA-ADRC的控制效果，在外部扰动设置相同的条件下，进行2组对比实验.

1）采用经典遗传算法进行参数整定的自抗扰控制方法（GA-ADRC）. ESO和NLSEF参数选取3.5节第3次SGA整定得到的结果： ${\beta _1} = 1\;339.1$ ， ${\beta _2} = 1\;112.5$ ， ${\beta _3} = 4\;461.1$ ， ${k_{\text{p}}} = 15.8$ ， ${k_{\text{d}}} = 14.9$ ，其余参数与表2相同.

2）文献[20]基于仿真步长设置参数的传统自抗扰控制（ADRC），ESO参数整定规则如下：

$\left\{ \begin{gathered} {\beta _1} = 1/h, \\ {\beta _1} = 1/0.3{h^{0.9}}, \\ {\beta _1} = 1/14{h^{1.6}}. \\ \end{gathered} \right.$

(31)

误差反馈控制律与文献[20]中相同，其余参数与表2一致.

利用3种控制算法对磁浮列车ATO速度曲线进行追踪，仿真结果见图7～9. 基于MPGA-ADRC控制器的磁浮列车实际速度曲线整体贴合参考速度曲线，未出现超调量过大的现象，追踪误差主要存在于启动和速度切换阶段，且速度跟踪误差保持在（−0.32, 0.18）m/s，误差范围小于1.05%，能够满足准点运行和精确停车的实际工程需求. 由于GA会陷入局部最优解未成熟收敛现象，故相较于MPGA-ADRC误差曲线波动更为明显，但总体控制效果优于传统ADRC. 在传统ADRC控制下，磁浮列车运行速度追踪曲线波动更大，且响应过程更长，难以保证列车的准点运行，降低了乘坐舒适性. 此外，列车受到突发扰动时，通过上述3种控制策略均能快速消除扰动对系统造成的影响，体现了ADRC的抗干扰能力.

图 7 对唐山线的跟踪效果

Figure 7. Tracking effect of Tangshan Line

下载: 全尺寸图片幻灯片

图 8 速度跟踪误差

Figure 8. Speed tracking errors

下载: 全尺寸图片幻灯片

图 9 加速度误差

Figure 9. Acceleration errors

下载: 全尺寸图片幻灯片

采用均方根误差（RMSE，E_RMSE）对以上3种方法的速度和加速度控制性能进行定量评价，RMSE计算式为

$E_{\text{RMSE}} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^n {{{({{\hat x}_i} - {x_i})}^2}} },$

(32)

式中： ${\hat x_i}$ 为第 $i$ 个数据的参考值， ${x_i}$ 为实际值，

算法性能对比结果如表3所示. 相较于GA-ADRC与传统ADRC，MPGA-ADRC控制精度分别提升12.3%和22.7%，速度跟踪平稳性分别提升13.5%和25.6%.

表 3 控制器性能比较

Table 3. Comparison of controllers performance

名称	最大速度误差（m·s⁻¹）	速度RMSE（m·s⁻¹）	加速度RMSE（m·s⁻²）
ADRC	0.4841	0.1468	0.1320
GA-ADRC	0.4211	0.1294	0.1135
MPGA-ADRC	0.3109	0.1135	0.0982

下载: 导出CSV

| 显示表格

图10、11展示了ESO对运行状态x₁、x₂、x₃的观测效果. 观测结果和实际值相差较小，为整体的速度控制精度提供了保证.

图 10 ESO观测效果

Figure 10. Observation effect of ESO

下载: 全尺寸图片幻灯片

图 11 ESO观测误差

Figure 11. Observation errors of ESO

下载: 全尺寸图片幻灯片

5. 结　论

1）本文提出一种MPGA-ADRC磁浮列车速度自动控制方法，基于纵向动力学模型设计ADRC控制结构，结合分离性原理引入MPGA算法实现控制器参数优化，使磁浮列车较平稳且无超调地跟踪目标速度曲线，提高了磁浮列车速度跟踪精度的同时克服了自抗扰控制参数多、整定难的问题.

2）与传统ADRC相比，基于MPGA-ADRC的控制策略不再依赖工程经验整定参数，跟踪精度更高、响应速度更快，对外界扰动具更较强的鲁棒性，有利于实现复杂运行环境下磁浮列车的安全平稳和准点运行.

图 1 风-车-桥系统（单位：m）

Figure 1. Wind, vehicle, and bridge system (unit: m)

下载: 全尺寸图片幻灯片

图 2 参数定义及风洞试验

Figure 2. Parameter definition and wind tunnel test

下载: 全尺寸图片幻灯片

图 3 桥面脉动风速与行进列车仿真时程

Figure 3. Simulated time history of fluctuating wind speed and running train at bridge deck

下载: 全尺寸图片幻灯片

图 4 桥梁跨中横、竖向变形

Figure 4. Horizontal and vertical deformations of bridge mid-span

下载: 全尺寸图片幻灯片

图 5 车体横、竖向加速度时程图

Figure 5. Time history of horizontal and vertical accelerations of train

下载: 全尺寸图片幻灯片

图 6 车速对工况3车体横、竖向加速度影响

Figure 6. Influence of train speed on horizontal and vertical accelerations of train under working condition No.3

下载: 全尺寸图片幻灯片

图 7 风速对工况3车体横、竖向加速度影响

Figure 7. Influence of wind speed on horizontal and vertical accelerations of train under working condition No. 3

下载: 全尺寸图片幻灯片

图 8 横、竖向加速度标准差占比统计

Figure 8. Standard deviation ratio of horizontal and vertical accelerations

下载: 全尺寸图片幻灯片

图 9 横、竖向加速度峰值占比统计

Figure 9. Peak ratio of horizontal and vertical accelerations

下载: 全尺寸图片幻灯片

图 10 车体加速度敏感波长分析

Figure 10. Analysis of sensitive wavelength of train acceleration

下载: 全尺寸图片幻灯片

图 11 轮对横向位移时程与小波系数图

Figure 11. Time history of wheel set horizontal displacement and wavelet coefficients

下载: 全尺寸图片幻灯片

图 12 轮对竖向位移时程和小波系数图

Figure 12. Time history of wheel set vertical displacement and wavelet coefficients

下载: 全尺寸图片幻灯片

表 1 列车自振特性

Table 1. Vibration characteristics of the train

阶数频率/Hz 振型描述

1 0.451 车体绕下心
2 0.803 车体绕上心
3 0.840 车体沉浮
4 0.878 车体摇头
5 1.056 车体点头

下载: 导出CSV

表 2 风-车-桥系统气动参数

Table 2. Aerodynamic parameters of wind-vehicle-bridge system

对象 C_D C_L C_M

主梁 1.098 0.010 −0.036
列车 1.257 0.070 0.068
拱肋 0.600

下载: 导出CSV

表 3 风-车-桥耦合系统计算工况

Table 3. Working conditions of wind-vehicle-bridge coupling system

工况车辆风荷载轨道不平顺桥梁风荷载桥梁位移

工况 1 √ √ √ √
工况 2 √ √
工况 3 √ √
工况 4 √

下载: 导出CSV

参考文献(24)

[1]	TAN Y B, HE X W, SHI L, et al. Reinforcement effect evaluation on dynamic characteristics of an arch bridge based on vehicle-bridge coupled vibration analysis[J]. Computer Modeling in Engineering & Sciences, 2022, 131(2): 1041-1061.
[2]	唐俊峰,何玮,郭向荣,等. 风攻角对强风下大跨度斜拉桥车-桥耦合振动的影响[J]. 中南大学学报(自然科学版),2018,49(7): 1760-1767. TANG Junfeng, HE Wei, GUO Xiangrong, et al. Influence of wind attack angle on vehicle-bridge coupling vibration for long-span cable-stayed bridge during strong wind[J]. Journal of Central South University (Science and Technology), 2018, 49(7): 1760-1767.
[3]	徐昕宇. 复杂山区铁路风—车—桥系统耦合振动研究[D]. 成都: 西南交通大学, 2017.
[4]	QIN S Q, FENG J C, ZHOU Y L, et al. Investigation on the dynamic impact factor of a concrete filled steel tube butterfly arch bridge[J]. Engineering Structures, 2022, 252: 113614.1-113614.14.
[5]	JING H M, LIAO H L, MA C M, et al. Field measurement study of wind characteristics at different measuring positions in a mountainous valley[J]. Experimental Thermal and Fluid Science, 2020, 112: 109991.1-109991.18.
[6]	LIU C, FU L, YANG D, et al. Non-gaussian Lagrangian stochastic model for wind field simulation in the surface layer[J]. Advances in Atmospheric Sciences, 2020, 37(1): 90-104. doi: 10.1007/s00376-019-9052-7
[7]	靖洪淼,廖海黎,周强,等. 一种山区峡谷桥址区风场特性数值模拟方法[J]. 振动与冲击,2019,38(16): 200-207. JING Hongmiao, LIAO Haili, ZHOU Qiang, et al. A numerical simulation method for wind field characteristics of mountainous valley at bridge site[J]. Journal of Vibration and Shock, 2019, 38(16): 200-207.
[8]	沈炼,华旭刚,韩艳,等. 高精度入口边界的峡谷桥址风场数值模拟[J]. 中国公路学报,2020,33(7): 114-123. SHEN Lian, HUA Xugang, HAN Yan, et al. Numerical simulation of wind field at canyon bridges with high precision inlet boundary[J]. China Journal of Highway and Transport, 2020, 33(7): 114-123.
[9]	LI X Z, TAN Y L, QIU X W, et al. Wind tunnel measurement of aerodynamic characteristics of trains passing each other on a simply supported box girder bridge[J]. Railway Engineering Science, 2021, 29(2): 152-162. doi: 10.1007/s40534-021-00231-4
[10]	HE X H, LI H, HU L, et al. Crosswind aerodynamic characteristics of a stationary interior railway carriage through a long-span truss-girder bridge[J]. Engineering Structures, 2020, 210: 110350.1-110350.19.
[11]	MA C M, PEI C, LIAO H L, et al. Field measurement and wind tunnel study of aerodynamic characteristics of twin-box girder[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2020, 202: 104209.1-104209.14.
[12]	于洪刚. 大跨度拱桥气动参数识别及风致响应研究[D]. 上海: 同济大学, 2008.
[13]	李永乐,房忱,向活跃. 风-浪联合作用下大跨度桥梁车-桥耦合振动分析[J]. 中国公路学报,2018,31(7): 119-125. LI Yongle, FANG Chen, XIANG Huoyue. Coupled vibration analysis of vehicle-bridge for long-span bridge under wind and wave[J]. China Journal of Highway and Transport, 2018, 31(7): 119-125.
[14]	韩万水,刘焕举,包大海,等. 大跨钢桁梁悬索桥风-车-桥分析系统建立与可视化实现[J]. 土木工程学报,2018,51(3): 99-108. HAN Wanshui, LIU Huanju, BAO Dahai, et al. Establishment and visualization of wind-vehicle-bridge analysis system for the large-span steel truss suspension bridge[J]. China Civil Engineering Journal, 2018, 51(3): 99-108.
[15]	韩艳,陈浩,刘跃飞,等. 桥梁抖振力空间相关性对风-车-桥耦合动力响应的影响[J]. 湖南大学学报(自然科学版),2015,42(9): 82-88. HAN Yan, CHEN Hao, LIU Yuefei, et al. Effect of the coherence of buffeting forces of bridges on the coupled dynamic responses of wind-vehicle-bridge system[J]. Journal of Hunan University (Natural Sciences), 2015, 42(9): 82-88.
[16]	李沅璋. 基于梁格法的刚构拱桥静动力力学性能分析[D]. 北京: 北京交通大学, 2017.
[17]	刘德军. 风-列车-线路-桥梁系统耦合振动研究[D]. 成都: 西南交通大学, 2010.
[18]	辛莉峰,李小珍,朱艳. 基于eFAST方法的车—线—桥耦合系统全局敏感性分析[J]. 中国铁道科学,2019,40(4): 46-51. XIN Lifeng, LI Xiaozhen, ZHU Yan. Global sensitivity analysis of vehicle-track-bridge coupling system based on eFAST method[J]. China Railway Science, 2019, 40(4): 46-51.
[19]	徐磊,翟婉明. 横风和轨道不平顺联合作用下的车辆-轨道系统随机分析模型[J]. 振动工程学报,2018,31(1): 39-48. XU Lei, ZHAI Wanming. The vehicle-track stochastic model considering joint effects of cross-winds and track random irregularities[J]. Journal of Vibration Engineering, 2018, 31(1): 39-48.
[20]	BULJAC A, KOZMAR H, POSPÍŠIL S, et al. Effects of wind-barrier layout and wind turbulence on aerodynamic stability of cable-supported bridges[J]. Journal of Bridge Engineering, 2020, 25(12): 04020102.1-04020102.18.
[21]	中华人民共和国交通运输部. 公路桥梁抗风设计规范: JTG/T 3360-01—2018[S]. 北京: 人民交通出版社, 2018.
[22]	宋玉鹏,陈建兵,彭勇波. 二维空间脉动风场波数-频率联合功率谱表达的FFT模拟[J]. 振动工程学报,2020,33(4): 660-666. SONG Yupeng, CHEN Jianbing, PENG Yongbo. Simulation of fluctuating wind field in two-spatial dimensions by FFT implementation of wavenumber-frequency joint power spectrum[J]. Journal of Vibration Engineering, 2020, 33(4): 660-666.
[23]	李小珍, 张效邦, 郑净, 等. 400 km/h高铁桥上直立式声屏障的列车风致振动[J]. 西南交通大学学报, 2024, 59（6）: 1415-1422 LI Xiaozhen, ZHANG Xiaobang, ZHENG Jing, et al. Wind-induced vibration of 400 km/h trains with vertical soundbarrier on highspeed railway bridge[J]. Journal of Southwest Jiaotong University, 2024, 59(6): 1415-1422
[24]	陈士军,凌贤长,朱占元,等. 轨道高低不平顺谱分析[J]. 地震工程与工程振动,2012,32(5): 33-38. CHEN Shijun, LING Xianchang, ZHU Zhanyuan, et al. Analyses of track vertical profile irregularity spectra[J]. Journal of Earthquake Engineering and Engineering Vibration, 2012, 32(5): 33-38.

施引文献

附加材料(0)

访问统计

点击查看大图

图(12) / 表(3)

计量

文章访问数: 354
HTML全文浏览量: 176
PDF下载量: 119
被引次数: 0

1. 磁浮列车运动学模型描述
1.1 牵引制动力
1.2 运行阻力
2. 自抗扰控制器设计
2.1 跟踪微分器（TD）
2.2 扩张状态观测器（ESO）
2.3 误差反馈控制律（NLSEF）
3. 基于基于多种群遗传算法（MPGA）的ADRC参数整定
3.1 MPGA原理
3.2 MPGA参数设定
3.3 MPGA流程
3.4 收敛性分析
3.5 优化结果
4. 数值仿真
4.1 相关参数设置
4.2 实验结果
5. 结　论

1. 磁浮列车运动学模型描述
1.1 牵引制动力
1.2 运行阻力
2. 自抗扰控制器设计
2.1 跟踪微分器（TD）
2.2 扩张状态观测器（ESO）
2.3 误差反馈控制律（NLSEF）
3. 基于基于多种群遗传算法（MPGA）的ADRC参数整定
3.1 MPGA原理
3.2 MPGA参数设定
3.3 MPGA流程
3.4 收敛性分析
3.5 优化结果
4. 数值仿真
4.1 相关参数设置
4.2 实验结果
5. 结　论

参考文献(24)

施引文献

附加材料(0)

访问统计

阶数	频率/Hz	振型描述
1	0.451	车体绕下心
2	0.803	车体绕上心
3	0.840	车体沉浮
4	0.878	车体摇头
5	1.056	车体点头

对象	C_D	C_L	C_M
主梁	1.098	0.010	−0.036
列车	1.257	0.070	0.068
拱肋	0.600

工况	车辆风荷载	轨道不平顺	桥梁风荷载	桥梁位移
工况 1	√	√	√	√
工况 2	√	√
工况 3			√	√
工况 4				√

侧风下大跨拱桥变形对高速列车行车平稳性的影响机理

doi: 10.3969/j.issn.0258-2724.20220598

作者简介: 李小珍（1970—），男，教授，研究方向为风-车-桥耦合振动，E-mail：xzhli@swjtu.edu.cn

通讯作者: 王铭（1989—），男，副研究员，研究方向为风-车-桥耦合振动， E-mail：ming.wang@swjtu.edu.cn

计量

出版历程

Influence Mechanism of Long-Span Arch Bridge Deformation on Running Stability of High-Speed Trains Under Crosswind

1. 磁浮列车运动学模型描述

1.1 牵引制动力

1.2 运行阻力

2. 自抗扰控制器设计

2.1 跟踪微分器（TD）

2.2 扩张状态观测器（ESO）

2.3 误差反馈控制律（NLSEF）

3. 基于基于多种群遗传算法（MPGA）的ADRC参数整定

3.1 MPGA原理

3.2 MPGA参数设定

3.3 MPGA流程

3.4 收敛性分析

3.5 优化结果

4. 数值仿真

4.1 相关参数设置

4.2 实验结果

5. 结 论

计量

出版历程

目录

1. 磁浮列车运动学模型描述

1.1 牵引制动力

1.2 运行阻力

2. 自抗扰控制器设计

2.1 跟踪微分器（TD）

2.2 扩张状态观测器（ESO）

2.3 误差反馈控制律（NLSEF）

3. 基于基于多种群遗传算法（MPGA）的ADRC参数整定

3.1 MPGA原理

3.2 MPGA参数设定

3.3 MPGA流程

3.4 收敛性分析

3.5 优化结果

4. 数值仿真

4.1 相关参数设置

4.2 实验结果

5. 结 论

作者简介:
李小珍（1970—），男，教授，研究方向为风-车-桥耦合振动，E-mail：xzhli@swjtu.edu.cn

通讯作者:
王铭（1989—），男，副研究员，研究方向为风-车-桥耦合振动， E-mail：ming.wang@swjtu.edu.cn

5. 结　论

5. 结　论