1、（一）申請人簡歷1.楊迎澤2.所在及中南大學，信息科學與，博士、講師3.受教育經(jīng)歷（從大學本科開始，按時間倒排序）：(1)2006/92010/6，中南大學，信息科學與，控制科學與工程專業(yè)，獲工學博士學位，導師是桂衛(wèi)華；(2)2003/92006/6，中南大學，信息科學與學位，導師是黃志武教授；，交通信息工程及控制專業(yè)，獲(3)1999/92003/6，中南大學，信息科學與，自動化專業(yè)，獲學士學位。4.研究工作經(jīng)歷（按時間倒排序）(1)2010 年 6 月份博士畢業(yè)后留校任教，在中南大學信息科學與從事“列車安全運行控制與網(wǎng)絡化控制系統(tǒng)”方向的教學科研工作；通信工程系(2)2013 年 1 月2

2、015 年 12 月：參與國家自然科學基金青年科學基金項目網(wǎng)絡化控制的協(xié)同優(yōu)化（：61203063），負責分布動態(tài)耦合系統(tǒng)中分布式模型式模型控制系統(tǒng)中由局部控制律項、協(xié)同控制律項、模型不確定項組成的協(xié)同控制律的仿真與實驗部分；(3)2011 年 7 月2012 年 7 月：主持高?；究蒲袠I(yè)務費青年教師助推專項資助基于信息物理融合網(wǎng)絡的異構環(huán)境多源接入技術研究（：2011QNZT038），針對高速鐵路安全運行的需求，提出一種基于信息物理融合系統(tǒng)的列車安全系統(tǒng)，實現(xiàn)異構網(wǎng)絡的有效融合，提高動態(tài)數(shù)據(jù)的傳輸特性；(4)2011 年 1 月2013 年 12 月：參與完成國家自然科學基金面上項目變結(jié)構

3、多故：61073103），負責以重載組合習能力、鄰接節(jié)點信息交互的標算法實現(xiàn)與仿真；障系統(tǒng)中多智能體動態(tài)的分布式（列車同步制動系統(tǒng)為，驗證多智能體的準化和化、變結(jié)構多故障系統(tǒng)方向的(5)2006 年 9 月2010 年 6 月：對重載組合列車同步制動系統(tǒng)的故障、任務的動態(tài)策略和實時任務調(diào)度算法等展開研究，并撰寫博士重載組合列車同步制動系統(tǒng)故障技術與應用研究。（二） 立項依據(jù)與研究內(nèi)容1. 項目的立項依據(jù)本項目針對重載組合列車中具有發(fā)展前景的 ECP（Electronically Controlled P電控空氣）制動系統(tǒng)這一典型復雜的互聯(lián)分布式系統(tǒng)中的列車管路漏泄故障atic，帶來的，研究分布

4、式故障體系結(jié)構中的系統(tǒng)模型參數(shù)辨識、互聯(lián)不確定性估計、故障函數(shù)精確描述等關鍵問題，為重載組合列車 ECP 系統(tǒng)運行提供安全保障。（1）研究意義鐵路貨運是現(xiàn)代交通體系的重要組成部分，隨著國民經(jīng)濟的不斷發(fā)展，鐵路貨運組織勢在必行。根據(jù)國家“十二五”規(guī)劃和中長期鐵路網(wǎng)規(guī)劃要求，實現(xiàn)“客運高速、貨運重載” 是截至 2020 年我國鐵路建設的規(guī)劃藍圖，而作為重載貨運的萬噸級以上重載組合列車的運行領域的重點研究課題1-2 。和故障技術，已成為國內(nèi)通國外在重載列車的安全防護和故障方面起步較早。鐵路（Assotion ofAmerican Railway，AAR）于 1999 年制定了 AAR-S4200 系

5、列標準3，對纜式 ECP 制動系統(tǒng)的網(wǎng)絡交互、電氣接口、能耗要求進行了化規(guī)定；國際鐵路（ ernationaion ofRailway，UIC）在列車通信網(wǎng)絡實時性和可靠性方面進行研究，已形成 ICE61375 國際標準；國內(nèi)方面，自 2005 年起，由中國鐵道科學機車車輛和中國南車株洲電力機車廠牽頭，已逐步展開 ECP 制動系統(tǒng)的生產(chǎn)和應用。圖 1 重載列車ECP 制動系統(tǒng)分布結(jié)構及功能框圖如圖 1 所示，重載組合列車 ECP 制動系統(tǒng)是由機車、多達 250 節(jié)車輛和列尾三部分編組組成。其中機車部分負責定時發(fā)送制動指令，車輛部分實時響應并控制每節(jié)車輛的基礎制動力，列尾部分列車管和列車線狀態(tài)。

6、除了傳統(tǒng)的貫穿整個列車的列車管來提供空氣制動力外，又增加一對列車線來傳遞電子制動命令4。作為重載組合列車的關鍵和基礎制動設備，ECP 制動系統(tǒng)的運行和故障是值得關注，而重載組合列車的空氣管路漏泄故障，是ECP 制動系統(tǒng)可靠運行的最大安全隱患?？諝夤苈仿┬构收喜坏斐蓹C車持續(xù)向列車管補風，還導致列車制動力丟失，產(chǎn)生意外的制動力波動，特別是當列車處于循環(huán)制動時較大流量的漏泄可能會引起緊急制動排風，嚴重重載列車行車安全。為了提高鐵路 ECP 技術的應用可靠性，對 ECP制動系統(tǒng)的空氣管路漏泄故障進行，是亟待解決的科學問題。對于傳統(tǒng)的重載貨運列車，只有機車和列尾能夠到列車管信號。由于列車管作用域較長，

7、輔助檢測信號較少，因此難以采用智能方法或基于模型方法進行和判別，只能依靠乘務員的操作經(jīng)驗和車輛段檢修對車輛逐節(jié)檢查，這不但耗費大量的人力時間，難以檢測初期微小流量及車體管路漏泄，而且無法檢測列車運行過程中的故障。ECP 技術的應用，為重載組合列車空氣管路的漏泄故障進行精確檢測和定位提供了可能。裝配 ECP 的車輛都安裝若干壓力和流量傳感器，并根據(jù) AAR-S4200 標準實現(xiàn)了異常檢測和功能；但在實際使用中，由于車輛間的強耦合互聯(lián)特性，其故障連鎖并發(fā)特征明顯，無法辨識故障類型、故障位置以及故障參數(shù)。當 ECP 制動系統(tǒng)的空氣管路漏泄時，沒有快速有效的方法來精確定位漏泄車輛、漏泄位置以及漏泄孔截

8、面積等詳細精準的故障描述信息，這對智能化和網(wǎng)絡化程度較高的ECP 制動系統(tǒng)而言，制約了其推廣應用。，使得對 ECP 制動系統(tǒng)的數(shù)學建模成為可能；而基于模型的故障技術能夠利用對象的數(shù)學模型和可觀測輸入輸出量構造殘差，來反映系統(tǒng)期望行為與實際行為的差異性，從而實現(xiàn)故障的檢測和；在此基礎上，設計具有故障項函數(shù)的參考模型，利用故障參數(shù)辨識技術障對系統(tǒng)的影響，實現(xiàn)故障的檢測、和辨識功能5-6。近故對 ECP 制動系統(tǒng)的故障過程，需要解決由于機械加工工藝和純氣動的工作特性導致模型參數(shù)的不確定性，以及由于檢測傳感器安裝位置約束造成的故障參數(shù)難以直接辨識。，它能夠處理存在不確定性的動態(tài)系統(tǒng)和多變量互聯(lián)系統(tǒng)分布

9、式故障中的模型參數(shù)和故障參數(shù)的不確定性問題。作為 ECP 技術推廣過程中亟需解決的關鍵問題，基于模型的故障和自適應學習的分布式故障技術，為解決重載組合列車空氣管路漏泄的故障檢測和參數(shù)辨識、進一步保障 ECP 制動系統(tǒng)的運行可靠性、我國重載列車安全保障技術水平，提供了良好的技術。本項目的選立，也對一類具有分布式互聯(lián)特性的復雜系統(tǒng)故障，以及長大管路的漏泄故障精確定位提供一定的借鑒參考作用。目前的一個研究熱點是自適應學習方法近年來，隨著對大規(guī)模復雜系統(tǒng)的異構互聯(lián)特性研究成果不斷涌現(xiàn)（2）國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)分析重載組合列車 ECP 制動系統(tǒng)是一類典型復雜的具有動態(tài)互聯(lián)特性的分布式網(wǎng)絡控制系統(tǒng)，子

10、系統(tǒng)間交互關系動態(tài)多變，增加了的難度。當前列車級故障的研究熱體系、協(xié)同及人工智能方面7-8；但是對模型的互聯(lián)不確定性、點為基于模型的故障參數(shù)辨識等關鍵問題，仍是一個有待于深入研究的課題。1） 列車管路漏泄故障技術模型法三種9-10。國內(nèi)外將故障技術大致分為信號對比法、人工智能法和信號對比法采用“多點測量，對比判斷”原則，實現(xiàn)方便，但硬件開銷較大；人工智能法主要應用在歷史經(jīng)驗比較完善、過程知識容易獲取的中小型復雜系統(tǒng)，利用系統(tǒng)、神經(jīng)網(wǎng)絡等技術模擬人類思維進行故障；模型法需要建立動態(tài)系統(tǒng)對象的數(shù)學模型，再利用參數(shù)估計、狀態(tài)觀測器、濾波器等方法進行故障檢測和。早期的重載組合列車管路漏泄故障完全依靠經(jīng)

11、驗數(shù)據(jù)。早在 1980 年，機械工程師學會（American Society of Mechanical Engineers，ASME）就對空氣管路漏泄分布對列車管壓力梯度和流量的影響進行研究，并據(jù)此制定了貨車制動系統(tǒng)安全標準CFR232；中國也在相關的實驗數(shù)據(jù)基礎上制定了鐵路貨車制動裝置檢修規(guī)則。上述方法均在大量實驗數(shù)據(jù)對比和鐵路線路運行需求分析的基礎上總結(jié)得出，主要應用于靜態(tài)試驗性能測試和檢修工藝制定考核。隨著交叉學科的不斷深化，特別是氣體動力學和流體力學原理的不斷應用，國內(nèi)外學者開始根據(jù)貨運列車的運行特性，研究編組長度、列車管系的組成、管路漏泄對列車管充氣過程中壓力的影響，以基準流量檢測

12、模型為主的漏泄故障檢測方法也被廣泛研究。文獻11通過引入狀態(tài)變換和控制變換，將復雜的重載組合列車縱向動力學模型簡化為雙重積分器形式，從而設計出重載組合列車分布式協(xié)同控制器；文獻12建立列車空氣制動系統(tǒng)的數(shù)學模型并開發(fā)出列車制動系統(tǒng)仿真。上述工作主要用于列車編組方式、牽引機車位置、計算制動距離等重載組合列車開行條件的理論計算及實驗驗證。自 20 世紀 90 年代以來，隨著天然氣和石油輸送管道的大量應用，國內(nèi)外對其傳輸原理和漏泄模型進行了深入研究13-17。重載組合列車空氣管路與民用管道輸送行業(yè)（天然氣管路、原油管路、水路）都具有輸送管路長、存在管路漏泄隱患等故障，因此分析現(xiàn)有長大輸送管道的漏泄故

13、障檢測算法，對列車管路漏泄故障技術，具有指導作用。天然氣和石油管道漏泄故障大都采用基于物質(zhì)平衡和基準流量檢測的算法。文獻13采用基于快速傅里葉變換的光譜分析響應技術對復雜管道進行觀測，從而檢測出管道中是否存在漏泄；文獻14在管道署多個傳感器，提出基于模型的漏泄監(jiān)測方法。上述方法雖然能夠檢測出管道漏泄，但是在精度和速度方面仍然有待提高。為此文獻15研究了基于瞬時頻率方法在管道漏泄檢測的有效性；文獻16提出利用聲波的方法對長大管路進行漏泄檢測和定位；文獻17結(jié)合粗糙集理論與支持向量機進行管道漏泄檢測。重載組合列車空氣管路系統(tǒng)這一典型復雜的控制系統(tǒng)，由于參與工作模塊眾多，且大多數(shù)為安裝在車輛上的純空

14、氣管路，無法通過安裝多個冗余的高精度狀態(tài)傳感器來進行硬件和冗余，因此本項目擬采用模型法，通過建立重載組合列車管路空氣制動系統(tǒng)的數(shù)學模型，對管路漏泄問題進行故障。當前國內(nèi)外尚無列車空氣管路漏泄的故障方法，其難點主要體現(xiàn)在以下三個方面：建模過程中的參數(shù)不確定性問題對于傳統(tǒng)的重載貨運列車，基于基準流量算法的充排風模型都將車輛簡化為若干限流孔和儲風元件，其參數(shù)不確定性主要來源于以下幾個方面：機械加工精度造成的生產(chǎn)誤差；煤粉油氣造成的氣動孔阻塞；充排風不同階段下氣動模塊的交互方式發(fā)生變化；過程數(shù)據(jù)傳感器造成的“偽偏差”，其中影響較大的是氣孔阻塞和交互方式引起的模型參數(shù)不確定性。對 ECP 制動系統(tǒng)來說，

15、除了模型參數(shù)不確定性問題外，還應考慮其電控空氣制動特性，主要分析高速電空閥的特性參數(shù)、（脈寬調(diào)制算法）的有效性、工作風缸容積、漏泄孔截面積等實際控制需求，這不僅增加了空氣管路充排風過程建模的難度，也引入了新的參數(shù)不確定性。制動力傳遞過程中強耦合特性下鄰接車輛的互聯(lián)參數(shù)不確定性問題重載列車的制動力由列車管進行傳遞，每節(jié)車輛的制動力不但受控于自身 ECP 系統(tǒng)的制動特性，同時受鄰接車輛的制動力影響。而受 ECP 制動系統(tǒng)通信帶寬限制，難以實施獲取鄰接子系統(tǒng)的狀態(tài)變量，因此需要對鄰接車輛 ECP 制動系統(tǒng)的互聯(lián)參數(shù)進行估計和學習，才能夠真正保障故障的精度。漏泄故障的和故障參數(shù)辨識問題重載組合列車不同

16、于其他的工業(yè)生產(chǎn)系統(tǒng)，漏泄故障是列車運行的嚴重隱患，但實際運用時，列車需要在微小流量的漏泄故障（不超過 5085KPa/s）下繼續(xù)維持運行，避免出現(xiàn)“機破”事故，造成列車線路阻塞，擴大故障影響。因此，除了對漏泄故障進行和定位外，更重要的是能夠?qū)β┬管囕v、漏泄孔位置以及漏泄孔截面積等詳細的故障信息進行辨識，以便乘務員進行性運行，避免故障升級?；谏鲜龇治?，國內(nèi)外成故障方法為解決重載列車空氣管路漏泄提供了一定的技術路線和借鑒作用，但由于重載組合列車 ECP 制動系統(tǒng)的特殊應用背景和工作環(huán)境，現(xiàn)有的故障方法本項目的故障要求，需要從整體上對故障的體系結(jié)構、精度及可靠性方面進行研究。2） 分布式故障技術

17、對于傳統(tǒng)的重載列車，只有牽引機車和列尾才能制動力過程數(shù)據(jù)，適合采用集中式故障方法對列車管路故障進行估算和定性分析，但效率較低，精度也有待提高；對于裝配 ECP 制動系統(tǒng)的重載列車，其機車和車輛通過網(wǎng)絡交換數(shù)據(jù)，適合采用非集中式的故障方法，常用的有分散式結(jié)構和分布式結(jié)構兩種。由于分散式結(jié)構難以解決 ECP 制動系統(tǒng)鄰接互聯(lián)特性的動態(tài)耦合和通信信息交換等問題，因此本項目適合采用分布式故障體系結(jié)構。分布式故障技術針對一類動態(tài)特性復雜、空間上呈分布狀態(tài)、子系統(tǒng)存在互聯(lián)影響和信息交互的分布式復雜系統(tǒng)，子系統(tǒng)通過網(wǎng)絡交互數(shù)據(jù)，協(xié)作完成故障任務。該技術提高效率和精度，節(jié)省計算資源、減少通信帶寬，提高系統(tǒng)擴展

18、性和魯棒性。近年來，分布式故障方法受到國內(nèi)外學者的廣泛關注，取得一定的研究成果。針對規(guī)模較小、通信質(zhì)量良好的系般采用基于全局信息的分布式故障框架。文獻18建立一組分布的觀測器，局部子系統(tǒng)的測量值和其它所有觀測器傳送的信息進行故障；文獻19針對二階線性連續(xù)時間互聯(lián)系統(tǒng)，利用全局信息為每個子系統(tǒng)構造一組未知輸入觀測器用于觀測系統(tǒng)的狀態(tài)，通過分布式線性控制律描述子系統(tǒng)間的相互影響。該框架實現(xiàn)方式簡單，精度高，但對系統(tǒng)計算資源和網(wǎng)絡通信資源的開銷較大。對于計算資源、通信資源受限或非完整拓撲下的分布式系統(tǒng)故障，主要采用基于鄰接節(jié)點信息的框架。文獻20利用分解法，通過引入一致性濾波器，利用子系統(tǒng)局部信息和

19、關聯(lián)子系統(tǒng)的狀態(tài)信息來進行分布式故障；文獻21提出了一種分布式實時故障與容錯方案，通過定義兩種通信模式研究子系統(tǒng)的動態(tài)互聯(lián)特征，實時檢測并收集鄰接子系統(tǒng)的有限相對狀態(tài)信息進行故障。然而該框架依賴系統(tǒng)數(shù)學模型的精確描述，未考慮系統(tǒng)擾動、參數(shù)不確定性、以及互聯(lián)不確定性等對精度的影響。為解決一類具有模型不確定性、擾動和測量噪聲的非線性互聯(lián)系統(tǒng)難題，文獻22提出一種基于濾波的分布式故障檢測策略，增加的魯棒性和故障檢測精度。文獻23針對一類非線性不確定系統(tǒng)，采用自適應 近技術學習模型不確定性，并基于非線性觀測器策略設計傳感器故障檢測和模塊。上述方法需要獲取全局狀態(tài)信息，難以解決因通信受限造成的精度和實時

20、性問題。對于基于鄰接節(jié)點信息的故障，文獻24針對一類時變時滯系統(tǒng)，提出一種快速自適應故障估計算法，建立時滯相關穩(wěn)定化條件來減少誤差；文獻25考慮了通信傳輸時延，構建基于事件的故障檢測模型，并設計基于事件的故障檢測濾波器，減小未知輸入、通信時延和非線性擾動對殘差信號的影響；文獻26為提出一種時延補償策略，解決局部故障器間通信網(wǎng)絡中的時延和丟包，引入具有時變權重的基于一致性的估計器，提高多個子系統(tǒng)變量共享情況下的檢測能力。對于具有鄰接強耦合特性的互聯(lián)系統(tǒng)故障，容易引起連鎖和故障并發(fā)，因此需要研究互聯(lián)子系統(tǒng)間解耦問題，提高系統(tǒng)魯棒性。文獻27針對一類離散時延復雜互聯(lián)線性耦合網(wǎng)絡，設計基于自適應 近的

21、分布式故障觀察器，近模型不確定性參數(shù)；文獻28針對一類存在部分通信的非線性互聯(lián)系統(tǒng)，為每個子系統(tǒng)設計一個非線性估計器，子系統(tǒng)間根據(jù)基于誤差的通信協(xié)議來交換狀態(tài)信息，實現(xiàn)分布式故障檢測和故障調(diào)節(jié)。重載組合列車 ECP 制動系統(tǒng)是具有鄰接互聯(lián)特性的網(wǎng)絡化控制系統(tǒng)，適合采用基于鄰接節(jié)點信息的分布式框架。當前的研究成果能夠?qū)ο到y(tǒng)參數(shù)、故障位置及故障函數(shù)進行定性判斷；但難以解決一類互聯(lián)函數(shù)不確定的網(wǎng)絡化控制系統(tǒng)的故障及參數(shù)辨識要求。本項目在結(jié)合已有的工作基礎上，期望通過引入分布式人工智能領域中的分布式故障、智能自適應學習等理論和技術，尋找合適的解決方案。其中將自適應學習方法應用到分布式故障，是近年來的研

22、究熱點，也是本課題的研究重點之一。3） 自適應學習方法及其在分布式故障中的應用分布式故障中的自適應學習方法，其基本是在模型的觀測器中加入學習和動態(tài)估計方法，引入具有自適應參數(shù)的非線性多變量估計項，利用系統(tǒng)穩(wěn)定性理論動態(tài) 近模型參數(shù)或故障參數(shù)，提高 精度和可靠性29。該方法滿足系統(tǒng)模型參數(shù)和擾動不確定時的故障參數(shù)高精度辨識需求，實現(xiàn)了新的自適應參數(shù)估計器設計方法。當前研究較多的自適應學習方法有神經(jīng)網(wǎng)絡、極值搜索、最小二乘法、小波分析等30。由于神經(jīng)網(wǎng)絡具有良好的習和自適應性，其計算的并行性和的分布性適合分布式故障系統(tǒng)的部署實施31?；谏窠?jīng)網(wǎng)絡的自適應學習方法不但能夠辨識模型的未知參數(shù)，還能近故

23、障函數(shù)，在國內(nèi)外有廣泛的研究基礎。文獻32針對一類具有未知輸入的時延非線性系統(tǒng)，設計了一種基于徑向基神經(jīng)網(wǎng)絡的滑模觀測器，對傳感器故障進行；文獻33提出一種基于非線性自適應 近策略的混合模型故障方法，將故障檢測、故障和故障辨識設計為兩種不同結(jié)構的自適應神經(jīng)網(wǎng)絡參數(shù)估計器，分別用于消除測量噪聲和快速故障。極值搜索是一種不依賴精確模型的具有全局最優(yōu)搜索功能的參數(shù)最優(yōu)化方法，能夠根據(jù)閉環(huán)搜索框架估計極值輸出對應的系統(tǒng)輸入。該方法自 2000 年 M. Krsti 和H. Wang 嚴格證明了極值搜索閉環(huán)框架穩(wěn)定性34，逐漸成為模型參數(shù)辨識和故障函數(shù)識別領域的研究熱點。文獻35設計基于極值搜索的最大功

24、率點的算法來優(yōu)化能板陣列的性能，測試并網(wǎng)逆變器的工作效率；文獻36提出一種全局極值搜索算法優(yōu)化發(fā)射天線和高頻發(fā)熱問題，簡化了控制算法的設計過程；文獻37設計自適應激勵函數(shù)增益，根據(jù)時標分離和平均方法，以實現(xiàn)全局極值的任意小領域收斂；文獻38設計一種基于隨機激勵函數(shù)的極值搜索算法，優(yōu)化具有不可性的系統(tǒng)模型，并給出閉環(huán)收斂域和收斂的穩(wěn)定性條件。除了神經(jīng)網(wǎng)絡和極值搜索外，文獻39設計基于帶遺忘因子的最小二乘算法的估計器，軌道和姿態(tài)調(diào)節(jié)過程中由于故障導致的控制參數(shù)變化；文獻40針對網(wǎng)絡化控制系估計統(tǒng)的網(wǎng)絡誘導時延和數(shù)據(jù)丟包問題，設計基于遞推最小二乘辨識的網(wǎng)絡化模型算法和網(wǎng)絡化滾動優(yōu)化算法，實現(xiàn)被控對象

25、參數(shù)未知或緩慢變化時的網(wǎng)絡化反饋修正；文獻41針對復雜系統(tǒng)控制過程中過程模型中非線性項問題，提出一種基于多核的偏最小二乘的故障算法，能夠捕獲子系統(tǒng)間的通信互聯(lián)信息，并充分 近其非線性未知項。綜上所述，對重載組合列車互聯(lián) ECP 制動系統(tǒng)的研究，除了要結(jié)合現(xiàn)有相關技術成果外，更要考慮其獨有特征： ECP 制動系統(tǒng)利用 LONWORKS 網(wǎng)絡發(fā)送制動命令，是一個分布式控制系統(tǒng)，因此適宜采用分布式故障體系結(jié)構；重載組合列車的列車管貫穿整個列車，實現(xiàn)制動力的，各車輛僅與鄰接車輛的耦合特性明顯，而且考慮到LONWORKS 網(wǎng)絡較低的傳輸速率，因此適宜采用基于鄰接節(jié)點的分布式故障框架；除此之外，為保證的精

26、度和可靠性，還應對制動系統(tǒng)數(shù)學模型參數(shù)未知、車輛間互聯(lián)參數(shù)不確定、故障函數(shù)辨識等問題進行深入研究。因此，實現(xiàn)重載組合列車互聯(lián) ECP 制動系統(tǒng)的故障，迫切需要建立一種有效的分布式故障系統(tǒng)。本項目在結(jié)合已有的工作基礎上，期望在基于鄰接節(jié)點的分布式故障體系結(jié)構中引入自適應參數(shù)估計、神經(jīng)網(wǎng)絡學習、極值搜索算法等理論和技術，尋求一種自適應學習機制，滿足系統(tǒng)的數(shù)學模型參數(shù)未知、車輛間互聯(lián)參數(shù)不確定、故障函數(shù)辨識等要求，建立一種互聯(lián)分布式故障體系結(jié)構。通過在典型的互聯(lián)分布式網(wǎng)絡化控制系統(tǒng)重載組合列車互聯(lián) ECP 制動系統(tǒng)下進行實際應用，驗證該技術的有效性。本項目的研究將為分布式故障提供一種新的方法，對促進

27、分布式人工智能理論和應用的發(fā)展具有一定的科學意義和應用價值。主要參考文獻1M. Chou, X. H. Xia, C. Kayserb. Ming and MValidation of Heavy-haul TrainsEquipped with Electronically Controlled PPractice, 2007, 15(4), pp. 501-509.atic Brake Systems. Control Engineering2L. J. Zhang, X. T. Zhuan. Optimal Operation of Heavy-haul Trains Equipped

28、withElectronically Controlled Patic Brake Systems using MPredictive ControlMethodology. IEEE Tranions on Control Systems Technology, 2014, 22(1), pp. 13-22.3Assotion of American Railroads. AAR Manual of Standards andmended PractiElectronically Controlled Brake Systems: Safety and Operations. USA: As

29、sotion ofAmerican Railroads, 2011.4耿志修. 大秦鐵路重載技術.: 中國鐵道, 2009.5X. H. Xia, J. F. Zhang. Ming and Control of Heavy-haul Trains. IEEE Control SystemsMagazine, 2011, 31(4), pp. 18-24.6K., Z. W. Huang, J. Wang, J. Peng, W. R. Liu. Decentralized Control of Heavy-Haul Trains with Input Constras and Communi

30、cation Delays. Control Engineering Practice,2013, 21(4), pp. 420-427.7M. H. Dingler, Y. C. Lai, C. P. L. Barkan. Effects of Communications-based Train Control and Electronically Controlled Patic Brakes on Railroad Capacity. TransporionResearch Record: Journal of Transporion Research Board, 2010, 215

31、9(10), pp. 77-84.8X. T. Zhuan, X. H. Xia. Optimal Scheduling and Control of Heavy Haul Trains EquippedWith Electronically Controlled Patic Braking Systems. IEEE Tranions on ControlSystems Technology, 2007, 15(6), pp. 1159-1166.9P. M. Fr. Fauiagnosis in Dynamic Systems usingytical and Knowledge-based

32、Redundancy a Survey and Some New Results. Automatica, 1990, 26(3), pp. 459-474.10 R. J. Patton, P. M. Fr, R. N. Clark. Ies of Fault Diagnosis for Dynamic Systems.London: Springer-Verlag, 2000.11 高凱, 黃志武, 王晶, 彭軍, 劉偉榮. 一種重載組合列車的分布式協(xié)同控制方法. 鐵道學報, 2013, 35(1), pp. 51-59.12 魏偉, 杜念博. 重載列車制動管對制動性能的影響. 交通工程學

33、報, 2011, 11(5), pp.49-54.13 A. L. Ekuakille, G. Vendramin, A. Trotta. Robust Spectral Leak Detection of Complex Pipelines using Filter Diagonalization Method. IEEE Sensors Journal, 2009, 9(11), pp.1605-1614.14 C. Verde.modation of Multi-leak Location in a Pipeline. Control EngineeringPractice, 2005,

34、 13(8), pp. 1071-1078.15 M. F. Ghazali, S. B. M. Beck, J. D. Shucksmith, J. B. Boxall, W. J. Staszewski. Comparative Study of Instantaneous Frequency Based Methods for Leak Detection in Pipeline Networks.Mechanical Systems and Signal Prosing, 2012, 29(1), pp. 187-200.16 L. Y. Meng, Y. X. Li, W. C. W

35、ang, J. T. Fu. Experimental Study on Leak Detection andLocation for Gas Pipeline Based on Acoustic Method. Journal of Loss Prevention in thePros Industries, 2012, 25(1), pp. 90-102.17 S. K. Mandal, F. T. S. Chan, M. K. Tiwari. Leak Detection of Pipeline: AnegratedApproach of Rough Set Theory and Art

36、ifil Bee Colony Trained SVM. Expert Systemswipplications, 2012, 39(3), pp. 3071-3080.18 S. X. Ding, P. Zhang, C. Chihaia, W. Li, Y. Wang, E. L. Ding. Advanced Design Scheme for Fault Tolerant Distributed Networked Control Systems. Proceedings of the 17th IFAC worldcongress, Seoul, Korea, 2008, pp. 1

37、3569-13574.19 I. Shames, A. M. H. Teixeira, H. Sandberg, K. H. Johansson. Distributed Fauetection forerconnected Second-order Systems. Automatica, 2011, 47(3), pp. 2757-2764.20 R. M. G. Ferrari, T. Parisini, M. M. Polycarpou. Distributed Fauetection and Isolation ofLarge-scale Discrete-time Nonlinea

38、r Systems: An Adaptive Approximation Approach. IEEETranions on Automatic Control, 2012, 57(2), pp. 275-290.21 M. Guo, D. V. Dimarogonas, K. H. Johansson. Distributed Real-time Fault Detection and Isolation for Cooperative Multi-agent Systems. 2012 American Control Conference (2012ACC), Montreal, Can

39、ada, 2012, pp. 5270-5275.22 C. Keliris, M. M. Polycarpou. A Distributed Fauetection Filtering Approach for a Classoferconnected Input-output Nonlinear Systems. European Control Conference, Zurich,Switzerland, 2013, pp. 422-427.23 V. Reppa, M. M. Polycarpou, C. G. Panayiotou. Adaptive Approximation f

40、or Multiple SensorFauetection and Isolation of Nonlinear Uncertain Systems. IEEE Tranions on NeuralNetworks and Learning Systems, 2014, 25(1), pp. 137-153.24 B. Jiang, K. Zhang, P. Shi. Less Conservative Criteria for FaultTime-varying Delay Systems using Adaptive Fault Diagnosis Observer.modation of

41、ernationalJournal of Adaptive Control and Signal Prosing, 2010, 24(4), pp. 322-334.25 J. L. Liu, D. Yue. Event-based Fauetection for Networked Systems with CommunicationDelay and Nonlinear Perturbation. Journal of the Fr2791-2807.lin Institute, 2013, 350(9), pp.26 F. Boem, R. M. G. Ferrari, T. Paris

42、ini, M. M. Polycarpou. Distributed Fauetection forUncertain Nonlinear Systems: A Network Delay Compensation Strategy. 2013 AmericanControl Conference (2013ACC), Washington, DC, USA, 2013, pp. 3555-3560.27 Z. S. Wang, H. X. Guan, C. D. Zheng. Fauiagnosis Observer Design for Discrete-timeDelayed Compl

43、exerconnected Networks with Linear Coupling. Mathematical problemsin Engineering, 2012, 2012(1), pp. 1-22.28 P. Panagi, M. M. Polycarpou. Distributed Faultmodation for a Class oferconnected Nonlinear Systems with Partial Communication. IEEE Tranions onAutomatic Control, 2011, 56(12), pp. 2962-2967.2

44、9 I. Rish, M. Brodie, S. Ma, N. Odsova, A. Beygelzimer, G. Grabarnik, K. Hernandez.Adaptive Diagnosis in Distributed Systems. IEEE Tran16(5), pp. 1088-1109.ions on Neural Networks, 2005,30 M. Krstic, P. V. Kokotovic, I. Kanellakopoulos. Nonlinear and Adaptive Control Design.USA, John Wiley & Sons, I

45、nc, 1995.31 P. M. Fr.ytical and Qualiive M-based Fault Diagnosis-a Survey and SomeNew Results. European Journal of control, 1996, 2(1), pp. 6-28.32 M. Chen, C. S. Jiang, Q. X. Wu. Sensor Fauiagnosis for a Class of Time Delay UncertainNonlinear Systems using Neural Network.Computing, 2008, 5(4), pp.

46、401-405.ernational Journal of Automation and33 E. S. Tehrani, H. A. Tai, K. Khorasani. Hybrid Fault Diagnosis of Nonlinear Systemsusing Neural Parameter Estimators. Neural Networks, 2014, 50(1), pp. 12-32.34 M. Krsti, H. H. Wang. Stability of Extremum Seeking Feedback for General NonlinearDynamic Sy

47、stems. Automatica, 2000, 36(4), pp. 595-601.35 S. L. Brunton, C. W. Rowley, S. R. Kulkarni.umer PoTracking forPhotovoltaicOptimizationusingRippased ExtremumSeekingControl.IEEETranions oner Electronics, 2010, 25(10), pp. 2531-2540.36 D. Carnevale, A. Astolfi, C. Centioli, S. Podda, V. Vitale, L. Zacc

48、arian. A New ExtremumSeeking Technique and its Application toEngineering and Design, 2009, 84(2), pp. 554-558.ize RF Heating on FTU. Fu37 Y. Tan, D. Nei, I. M. Y. Mareels. On Global Extremum SeekingExtrema. Automatica, 2009, 45(1), pp. 245-251.he Presence of Local38 C. Manzie, M. Krsti. Extremum See

49、king with Stochastic Perturbations. IEEE Tranon Automatic Control, 2009, 54(3), pp. 580-585.ions39 T. Jiang, K. Khorasani, S. Tafazoli. Parameter Estimation-based Fault Detection, Isolationand Recovery for Nonlinear Salite MTechnology, 2008, 16(4), pp. 799-808.s, IEEE Tranions on Control Systems40 唐

50、斌, 章云, 劉國平, 桂衛(wèi)華. 面向網(wǎng)絡誘導時延和數(shù)據(jù)包丟失補償?shù)木W(wǎng)絡化廣義控制. 控制理論與應用, 2010, 27(7), pp. 45-46.41 Y. Zhang, H. Zhou, S. J. Qin, T. Chai. Decentralized Fauiagnosis of Large-scaleProses using Multiblock Kernel Partial Least Squares. IEEE Tranions on IndustrialInformatics, 2010, 6(1), pp. 3-10.2. 項目的研究內(nèi)容、研究目標,以及擬解決的關鍵科學問題

51、。（此部分為重點闡述內(nèi)容）（1）研究內(nèi)容本項目依據(jù)故障的典型分析設計方法，依次按照分布式故障體系結(jié)構、對象數(shù)學模型、過程中的不確定性參數(shù)估計、故障函數(shù)的精確辨識、實驗驗證平臺設計等五個內(nèi)容進行研究。1）分布式故障體系結(jié)構針對一類具有鄰接耦合特性的互聯(lián)分布式網(wǎng)絡控制系統(tǒng)，研究基于鄰接節(jié)點信息的分布式體系結(jié)構。根據(jù)子系統(tǒng)間的鄰接耦合互聯(lián)參數(shù)，建立系統(tǒng)關聯(lián)模型；利用局部信息和鄰接節(jié)點信息，設計基于自適應學習的不確定性參數(shù)估計器；設計基于極值搜索的故障函數(shù)辨識算法，構建一組故障函數(shù)估計器，利用系統(tǒng)殘差和閾值來進行故障的檢測以及故障函數(shù)辨識，實現(xiàn)故障的功能。2）列車空氣管路充排風過程數(shù)學模型針對 ECP

52、 制動系統(tǒng)特殊的雙線（列車管、列車線）制動力方式，建立長大列車空氣管路充排風過程數(shù)學模型。將車輛簡化為若干限流孔和儲風元件的互聯(lián)系統(tǒng)，根據(jù)流體連續(xù)性方程和伯努利定律推導出ECP 子系統(tǒng)的充排風模型；根據(jù) ECP 制動系統(tǒng)的編組方式，將制動系統(tǒng)的充排風過程轉(zhuǎn)化成一類具有互聯(lián)參數(shù)不確定性的互聯(lián)分布式系統(tǒng)，根據(jù)充排風過程中氣動模塊的交互方式，建立子系統(tǒng)關聯(lián)模型；在此基礎上，利用物質(zhì)平衡和基準流量算法，建立重載組合列車互聯(lián) ECP 制動系統(tǒng)空氣管路充排風過程數(shù)學模型。3）基于自適應學習的模型和互聯(lián)不確定性參數(shù)估計器針對系統(tǒng)模型參數(shù)的有界不確定性緩慢變化特點，在框架的自適應參數(shù)估計器中引入自適應變步長的

53、神經(jīng)網(wǎng)絡學習策略，將模型狀態(tài)估計值和系統(tǒng)狀態(tài)輸出作為反饋權系數(shù)，實現(xiàn)參數(shù)的快速收斂；針對子系統(tǒng)間互聯(lián)參數(shù)不確定性的時變特性帶來的精度問題，為改善神經(jīng)網(wǎng)絡訓練后期收斂速度慢且容易陷入局部最小的缺點，通過引入?yún)?shù)估計項，提出一種快速啟發(fā)式網(wǎng)絡學習算法，在狀態(tài)估計的同時實現(xiàn)未知參數(shù)的辨識。4）基于極值搜索的故障函數(shù)辨識為實現(xiàn)漏泄故障的精確描述，在框架的故障函數(shù)估計器中引入基于極值搜索的故障函數(shù)辨識算法?；跁r標分離和奇異分解技術，研究極值搜索的過程穩(wěn)定性，設計極值搜索閉環(huán)反饋中激勵函數(shù)的構造形式；研究故障函數(shù)的收斂域，設計可調(diào)節(jié)的激勵函數(shù)增益，保證系統(tǒng)的全局收斂；研究極值搜索的收斂速度，設計一種參數(shù)

54、可調(diào)的閉環(huán)搜索算法，通過調(diào)節(jié)極值搜索閉環(huán)控制參數(shù)，最優(yōu)化其收斂速度。5）重載組合列車 ECP 制動系統(tǒng)實驗驗證與應用在完成理論研究的基礎上，對本項目算法進行仿真計算和半實物實驗驗證。搭建基于環(huán)境的分布式半實物仿真系統(tǒng)，構建互聯(lián)分布式控制系統(tǒng)仿真環(huán)境；開發(fā)基于自適應學習的分布式故障應用包，研究和驗證分布式故障體系結(jié)構及具體算法的可靠性和實時性。（2）研究目標本項目的研究目標是：針對一類具有鄰接耦合特性的互聯(lián)分布式系統(tǒng)，提出一種具有自適應學習機制的分布式故障體系結(jié)構，在此基礎上實現(xiàn)以下三個技術突破：建立重載組合列車空氣管路充排風過程數(shù)學模型；提出一種基于自適應神經(jīng)網(wǎng)絡的學習方法，估計系統(tǒng)模型不確定

55、性參數(shù)和互聯(lián)不確定性參數(shù)；設計一種基于極值搜索的故障函數(shù)辨識算法，對重載組合列車空氣管路漏泄故障進行和精確描述。（3）擬解決的關鍵問題本項目擬解決的關鍵問題包括：1） 如何根據(jù)現(xiàn)有研究基礎，分析重載組合列車互聯(lián) ECP 制動系統(tǒng)的故障實際需求，結(jié)合典型的故障設計分析方法，針對一類具有鄰接耦合特性的互聯(lián)系統(tǒng)，建立分布式故障的一般性體系結(jié)構；2） 在分析 ECP 制動系統(tǒng)編組方式、工作模式下制動力的特性基礎上，如何描述其模型參數(shù)不確定性和互聯(lián)參數(shù)不確定性問題，并利用流體連續(xù)性方程和伯努力定律對重載組合列車的空氣管路充排風過程進行建模；3） 考慮模型參數(shù)的有界不確定性緩慢變化特點，以及互聯(lián)參數(shù)的不確

56、定性動態(tài)時變特點，在通信資源受限情況下，如何利用互聯(lián)系統(tǒng)的鄰接節(jié)點信息，對模型的參數(shù)不確定性和互聯(lián)參數(shù)不確定性進行參數(shù)估計；4） 當系統(tǒng)故障已經(jīng)被檢測和后，如何根據(jù)故障類型對系統(tǒng)模型的影響，設計一種不依賴精確數(shù)學模型的自適應函數(shù)辨識算法，對空氣管路漏泄故障進行和精確描述。只要上述這些問題得到解決，本項目的研究將取得突破性的進展，進而建立一種具有自適應學習機制的分布式故障系統(tǒng)，并將該技術應用于重載組合列車互聯(lián) ECP 制動系統(tǒng)，為分布式故障理論及其應用提供新的設計思路和驗證。3. 擬采取的研究方案及可行性分析。（包括有關方法、技術路線、實驗鍵技術等說明）、關（1）擬采取的研究方案研究方法上采取理

57、論研究為主導、實驗分析進行驗證，實驗進一步推進理論的循序遞進的方式展開研究，吸收與創(chuàng)新相結(jié)合的方法，結(jié)合各個研究內(nèi)容的內(nèi)在聯(lián)系，按照由分布式故障體系結(jié)構、ECP 制動系統(tǒng)數(shù)學模型、不確定性參數(shù)估計、故障檢測障函數(shù)辨識的順序進行研究，總體研究路線如圖 2 所示。和故圖 2分布式故障體系結(jié)構功能框圖本項目分布式故障系統(tǒng)體系結(jié)構主要包括建立系統(tǒng)數(shù)學模型、對模型參數(shù)不確定性和互聯(lián)不確定性進行估計、對漏泄故障進行檢測和故障參數(shù)辨識，實現(xiàn)對重載組合列車互聯(lián) ECP 制動系統(tǒng)的分布式故障目的。（2）各研究內(nèi)容的具體路線1）構建分布式故障體系結(jié)構本項目擬采用由特殊到一般的方法，首先針對重載組合列車互聯(lián) ECP

58、 制動系統(tǒng)，研究其分布式故障技術，然后逐步推廣到一般的具有鄰接耦合特性的互聯(lián)分布式系統(tǒng)故障，從而建立分布式故障體系結(jié)構。首先，針對重載列車分布式互聯(lián) ECP 制動系統(tǒng)，將建模過程中的模型不確定性和互聯(lián)參數(shù)不確定性轉(zhuǎn)化為結(jié)構化的系統(tǒng)擾動，在流體連續(xù)性方程和伯努力定律基礎上，對重載列車 ECP 制動系統(tǒng)的空氣管路充排風過程進行建模；然后，利用局部信息和鄰接子系統(tǒng)信息，為每個子系統(tǒng)構造具有自適應閾值的故障檢測估計器；在此基礎上，在所構造的檢測估計器中引入模型參數(shù)估計項和互聯(lián)參數(shù)估計項，利用基于自適應近的算法，對模型參數(shù)不確定和互聯(lián)參數(shù)不確定項進行近學習，實現(xiàn)不確定項的解耦。最后，為系統(tǒng)構造一組平行的

59、故障函數(shù)估計器，由殘差產(chǎn)生器根據(jù)子系統(tǒng)的實際輸出與故障函數(shù)估計器的輸出生成多個殘差信號，并設計一組相應的自適應閾值；采用基于廣義觀測器的故障決策，實現(xiàn)故障子系統(tǒng)的定位；通過在估計器中引入基于極值搜索的故障函數(shù)辨識算法，實現(xiàn)對漏泄故障的精確描述。根據(jù)上述方法基于自適應估計器的分布式故障體系結(jié)構能夠?qū)Υ笠?guī)模的分布式互聯(lián) ECP 制動系統(tǒng)進行故障，保證故障的可檢測性，快速辨識故障函數(shù)，實現(xiàn)空氣管路漏泄故障。2）建立列車空氣管路充排風過程數(shù)學模型本項目擬在分析 ECP 制動系統(tǒng)編組方式和工作模式下的制動力特性基礎上，針對重載組合列車空氣管路系統(tǒng)的網(wǎng)絡化、模塊化、智能化等特點，根據(jù)長大列車空氣管路的機械

60、和物理結(jié)構，建立長大列車空氣管路充排風過程的數(shù)學模型，其理論基礎為流體連續(xù)性方程和伯努利定律。首先，將車輛簡化為若干限流孔和儲風元件的互聯(lián)系統(tǒng)。不考慮列車管充排風過程中空氣溫度變化，將列車管看作一個容積確定，壓力連續(xù)均勻變化的容器。根據(jù)理想空氣流量方程，得出聲速階段和亞聲速階段的節(jié)流孔模型；根據(jù)流體連續(xù)性方程，得到以氣體狀態(tài)參數(shù)描述的等熵氣體動力學方程；根據(jù)限流孔和儲風元件的互聯(lián)關系，推導得到氣體流速與氣缸內(nèi)壓力的關系，即單節(jié)車輛 ECP 制動系統(tǒng)的充排風模型。其次，根據(jù) ECP 制動系統(tǒng)的編組特性，考慮列車管之間存在的強耦合特性以及網(wǎng)絡通信時延的特點，將制動系統(tǒng)的充排風過程轉(zhuǎn)化成一類具有互聯(lián)