屈國(guó)慶，陳春俊，閆中奎

(西南交通大學(xué) 機(jī)械工程學(xué)院，四川 成都 610031)

?

氣壓模擬系統(tǒng)大數(shù)據(jù)迭代學(xué)習(xí)控制算法研究

屈國(guó)慶，陳春俊，閆中奎

(西南交通大學(xué) 機(jī)械工程學(xué)院，四川 成都 610031)

為探究高速列車車內(nèi)氣壓波動(dòng)與旅客乘坐舒適性的關(guān)系，設(shè)計(jì)可重復(fù)性復(fù)現(xiàn)車內(nèi)氣壓變化的氣壓模擬系統(tǒng)。利用Simulink與AMESim軟件的聯(lián)合仿真技術(shù)建立系統(tǒng)的仿真模型。針對(duì)氣壓模擬系統(tǒng)的多容耦合特性，提出一種基于大數(shù)據(jù)思想的迭代學(xué)習(xí)控制算法，該算法利用系統(tǒng)的歷史運(yùn)行數(shù)據(jù)對(duì)迭代學(xué)習(xí)控制算法控制輸入量的給定初值進(jìn)行匹配計(jì)算，然后在此基礎(chǔ)上進(jìn)行動(dòng)態(tài)迭代學(xué)習(xí)。仿真結(jié)果表明，該算法能夠顯著提高控制系統(tǒng)收斂速度，改善系統(tǒng)的動(dòng)態(tài)性能。

高速列車；氣壓模擬；迭代學(xué)習(xí)控制；大數(shù)據(jù)；收斂速度

安全、快速、舒適是高速列車的核心競(jìng)爭(zhēng)力，當(dāng)列車高速運(yùn)行時(shí)車外不可避免地會(huì)產(chǎn)生氣壓波動(dòng)，當(dāng)列車交會(huì)、通過(guò)隧道及隧道交會(huì)時(shí)，氣壓波動(dòng)幅度更為劇烈[1-2]。列車車外氣壓的波動(dòng)將通過(guò)車體換氣系統(tǒng)、車體門窗縫隙等傳入車內(nèi)引起車內(nèi)氣壓的波動(dòng)，進(jìn)而影響旅客的乘坐舒適性，嚴(yán)重時(shí)甚至?xí)鸲Q及耳膜破裂等嚴(yán)重后果[3]。為了研究氣壓波動(dòng)與旅客乘坐舒適性的關(guān)系，設(shè)計(jì)可以對(duì)高速列車運(yùn)行時(shí)車內(nèi)氣壓典型變化情況進(jìn)行重復(fù)性復(fù)現(xiàn)的氣壓模擬系統(tǒng)，具有重要的現(xiàn)實(shí)意義。針對(duì)列車氣壓環(huán)境的實(shí)驗(yàn)室模擬，王前選等[4-5]研究了交變沖擊氣動(dòng)壓力下的綜合實(shí)驗(yàn)裝置，通過(guò)多源陣列控制車體抽吸動(dòng)作實(shí)現(xiàn)了10 kPa范圍內(nèi)周期、非周期的壓力瞬變模擬；采用波形追蹤逼近控制實(shí)現(xiàn)了車體承受氣動(dòng)載荷譜的準(zhǔn)確模擬。李淼等[6-7]研究了對(duì)車外、車內(nèi)空間單獨(dú)或同時(shí)氣壓加載來(lái)研究列車車體氣密疲勞強(qiáng)度等的裝置，通過(guò)迭代學(xué)習(xí)算法控制羅茨風(fēng)機(jī)和氣動(dòng)閥門協(xié)調(diào)工作實(shí)現(xiàn)了三角波、正弦波或?qū)崪y(cè)隧道壓力波等實(shí)驗(yàn)波形的加載控制。陳一帆[8]根據(jù)車廂實(shí)際參數(shù)及風(fēng)量情況，完成了壓力波動(dòng)模擬試驗(yàn)系統(tǒng)的仿真分析，針對(duì)試驗(yàn)艙結(jié)構(gòu)參數(shù)及運(yùn)行參數(shù)對(duì)空間試驗(yàn)點(diǎn)處壓力波動(dòng)的影響進(jìn)行了仿真分析，并確定試驗(yàn)艙的最終參數(shù)。氣壓模擬系統(tǒng)主要功能是完成試驗(yàn)車體內(nèi)空氣壓力按照給定規(guī)律進(jìn)行重復(fù)性跟蹤控制，具有非線性、大時(shí)滯和難以進(jìn)行精確數(shù)學(xué)建模的特點(diǎn)，利用迭代學(xué)習(xí)控制算法可以實(shí)現(xiàn)較好的控制效果[9]。國(guó)內(nèi)外學(xué)者對(duì)迭代學(xué)習(xí)算法進(jìn)行了系統(tǒng)的深入研究，提出了一系列具有不同應(yīng)用條件的學(xué)習(xí)算法，主要包括PID型迭代學(xué)習(xí)控制、基于頻域分析的迭代學(xué)習(xí)控制、基于2-D理論的迭代學(xué)習(xí)控制、基于Lyapunov直接法的迭代學(xué)習(xí)控制、非線性模型算法迭代學(xué)習(xí)控制、初態(tài)學(xué)習(xí)迭代學(xué)習(xí)控制、最優(yōu)化魯棒迭代學(xué)習(xí)控制、可變?cè)鲆娴鷮W(xué)習(xí)控制等[7,9-14]。上述各類迭代學(xué)習(xí)控制算法，都是對(duì)迭代學(xué)習(xí)本身的迭代學(xué)習(xí)律進(jìn)行研究。然而，迭代學(xué)習(xí)算法的控制效果不僅僅與學(xué)習(xí)律的設(shè)計(jì)和選取有關(guān)，同時(shí)也與迭代控制輸入的給定初始值選取關(guān)系密切。隨著多傳感器融合技術(shù)、物聯(lián)網(wǎng)技術(shù)、云處理技術(shù)的及電子存儲(chǔ)技術(shù)的發(fā)展，世界迎來(lái)了“大數(shù)據(jù)”時(shí)代，大數(shù)據(jù)方法將成為繼理論分析、仿真計(jì)算及試驗(yàn)方法之后的又一種科學(xué)研究方法[15]。本文在此大數(shù)據(jù)背景下，在對(duì)迭代學(xué)習(xí)算法進(jìn)行理論推導(dǎo)的基礎(chǔ)上，針對(duì)氣壓模擬系統(tǒng)的多容耦合過(guò)程提出一種基于大數(shù)據(jù)思想的迭代學(xué)習(xí)控制算法，并結(jié)合氣壓模擬系統(tǒng)仿真模型對(duì)算法進(jìn)行仿真分析。

1　氣壓模擬系統(tǒng)的模型建立

1.1系統(tǒng)基本結(jié)構(gòu)

氣壓模擬系統(tǒng)基本結(jié)構(gòu)如圖1所示，由2臺(tái)風(fēng)機(jī)、壓力緩沖罐、試驗(yàn)車體、4套氣動(dòng)蝶閥及相關(guān)管路組成。由風(fēng)機(jī)完成對(duì)系統(tǒng)的充氣和抽氣功能，壓力緩沖罐起到一種緩沖蓄能作用，通過(guò)對(duì)四套閥門的開(kāi)度進(jìn)行調(diào)節(jié)來(lái)完成對(duì)試驗(yàn)車體內(nèi)部空氣壓力變化的跟蹤控制。

當(dāng)系統(tǒng)工作時(shí)，圖1中箭頭所示為空氣在系統(tǒng)中的流動(dòng)方向，正壓風(fēng)機(jī)從大氣吸入空氣作為正壓氣源，對(duì)正壓緩沖罐充氣；負(fù)壓風(fēng)機(jī)向大氣排出空氣作為負(fù)壓氣源，從負(fù)壓緩沖罐抽氣；閥門1為正壓氣源調(diào)節(jié)閥門，調(diào)節(jié)正壓風(fēng)機(jī)向正壓緩沖罐的充氣流量；閥門2為負(fù)壓氣源調(diào)節(jié)閥門，調(diào)節(jié)負(fù)壓風(fēng)機(jī)對(duì)負(fù)壓緩沖罐的抽氣流量；正壓緩沖罐對(duì)試驗(yàn)車體內(nèi)部空間充氣，通過(guò)閥門3調(diào)節(jié)充氣流量；負(fù)壓緩沖罐從試驗(yàn)車體內(nèi)部空間抽氣，通過(guò)閥門4調(diào)節(jié)抽氣流量。

圖1　氣壓模擬系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Structural sketch of air pressure simulation system

系統(tǒng)的主要功能是通過(guò)對(duì)4個(gè)閥門開(kāi)度的實(shí)時(shí)調(diào)節(jié)，來(lái)實(shí)現(xiàn)試驗(yàn)車體內(nèi)空氣壓力相對(duì)大氣壓力重復(fù)性連續(xù)變化，進(jìn)而研究列車車內(nèi)空間空氣壓力變化與旅客乘坐舒適度的關(guān)系。系統(tǒng)主要被控變量為試驗(yàn)車體內(nèi)的空氣壓力，主要執(zhí)行器為4套氣動(dòng)蝶閥。

1.2系統(tǒng)AMESim模型建立

AMESim軟件是一款專門用于氣動(dòng)液壓系統(tǒng)仿真計(jì)算的圖形化、模塊化軟件，因其建模簡(jiǎn)單且能夠提供MATLAB等軟件的接口而得到廣泛應(yīng)用[16]。文中根據(jù)圖1所示的系統(tǒng)基本結(jié)構(gòu)，在AMESim軟件中搭建氣壓系統(tǒng)的仿真模型，模型中各主要模塊的具體參數(shù)如表1所示。

表1　模型主要模塊參數(shù)Table 1 Model parameters

2　基于大數(shù)據(jù)思想的迭代學(xué)習(xí)控制算法設(shè)計(jì)

氣壓模擬系統(tǒng)目的是實(shí)現(xiàn)試驗(yàn)車體內(nèi)的壓力為圖2所示的梯形波變化，實(shí)際則需對(duì)正壓緩沖罐、負(fù)壓緩沖罐及試驗(yàn)車體內(nèi)的空氣壓力進(jìn)行控制。如圖1所示，這3個(gè)容器之間形成一個(gè)多容耦合系統(tǒng)，多容耦合系統(tǒng)具有理論建模復(fù)雜、大慣性、大滯后的特點(diǎn)，采用迭代學(xué)習(xí)算法可以實(shí)現(xiàn)較好的控制效果[9]。

2.1傳統(tǒng)二階閉環(huán)PD型迭代學(xué)習(xí)算法

傳統(tǒng)的迭代學(xué)習(xí)算法主要是在周期性的重復(fù)學(xué)習(xí)過(guò)程中，使得控制器輸出信號(hào)序列u(t)從給定初值u0(t)收斂于最優(yōu)信號(hào)u*(t)，達(dá)到改善控制效果的目的，其本質(zhì)上在迭代軸上具有一種積分效應(yīng)[9]。

定義系統(tǒng)輸出誤差為：

(1)

(2)

式中：uk+1(t)為第k+1周期控制輸入；uk(t)為第k周期控制輸入；kp1和kd1分別為一階比例增益和微分增益；kp2和kd2分別為二階比例增益和微分增益。

為便于后文分析將上式改寫為如下形式：

uk+1(t)=uk(t)+Δuk+1(t)

(3)

式中：

分析式(3)所示的二階PD型算法有：

(4)

2.2基于大數(shù)據(jù)思想的迭代學(xué)習(xí)算法

由式(4)可知，傳統(tǒng)迭代學(xué)習(xí)控制算法的控制輸入uk(t)與給定初值u0(t)及控制算子計(jì)算得到的輸出增量Δuk(t)均相關(guān)。傳統(tǒng)的迭代學(xué)習(xí)算法研究多集中在控制算子的研究，然而u0(t)的影響不可忽視。

本文提出一種基于大數(shù)據(jù)思想的迭代學(xué)習(xí)控制，基本思路是：系統(tǒng)每次運(yùn)行時(shí)自動(dòng)將加載信息、控制出uk(t)及控制效果等信息保存在歷史運(yùn)行數(shù)據(jù)的龐大數(shù)據(jù)庫(kù)中。等待下一次系統(tǒng)運(yùn)行時(shí)，首先在數(shù)據(jù)庫(kù)中進(jìn)行匹配搜索，找到與當(dāng)前加載工況相同且控制效果較好的歷史運(yùn)行數(shù)據(jù)，然后將該次運(yùn)行結(jié)果最后一個(gè)周期的控制輸入uh,N(t)作為當(dāng)前運(yùn)行的控制輸入初值un,0(t)，在此基礎(chǔ)上再按照迭代學(xué)習(xí)算子進(jìn)行學(xué)習(xí)。由此，式(4)的控制算法可以改寫為：

(5)

式中：下標(biāo)n(now)表示當(dāng)前加載的運(yùn)行數(shù)據(jù)；h(history)表示歷史運(yùn)行數(shù)據(jù)?？梢杂萌鐖D2所示的框圖來(lái)表示整個(gè)算法的運(yùn)行流程。

圖2　算法運(yùn)行流程圖Fig.2 Flow chart of the proposed algorithm

3　控制算法仿真分析

3.1AMESim與Simulink聯(lián)合仿真

本文在Simulink軟件中設(shè)計(jì)基于大數(shù)據(jù)的迭代學(xué)習(xí)控制算法仿真程序。前述已經(jīng)采用AMESim軟件建立了氣壓模擬系統(tǒng)的仿真模型，AMESim提供了一種名為CoSim的外部接口可以將模型編譯生成后綴名為.mexw32的S函數(shù)文件，利用Simulink直接對(duì)模型S函數(shù)文件進(jìn)行加載，就可以方便地完成AMESim與Simulink的聯(lián)合仿真。

控制系統(tǒng)的聯(lián)合仿真圖如圖3所示，圖中“AMESim CoSim”圖標(biāo)所示的模塊即為AMESim生成的S函數(shù)。其中，仿真步長(zhǎng)設(shè)置為0.05 s，仿真時(shí)間為100個(gè)迭代周期，期望壓力波形設(shè)置為波動(dòng)幅值PA=1.5 kPa(相對(duì)于環(huán)境大氣壓，本文取為1個(gè)標(biāo)準(zhǔn)大氣壓101.325 kPa)，周期為22 s的梯形波。

圖3　系統(tǒng)聯(lián)合仿真程序圖Fig.3 Simulation program of the system

3.2系統(tǒng)仿真分析

如圖4(a)所示，為系統(tǒng)運(yùn)行過(guò)程中每一個(gè)周期‖e‖的仿真對(duì)比圖，其中迭代終止條件設(shè)置為：‖e‖≤0.06,式中：PA為加載波形的波動(dòng)幅值(如前所述，PA=1.5 kPa)。從總體上分析，3次迭代過(guò)程均取得了較好的控制效果，隨著學(xué)習(xí)過(guò)程的進(jìn)行，控制算法都能使氣壓模擬系統(tǒng)的誤差逐漸減小，即在無(wú)窮范數(shù)下系統(tǒng)是收斂的。同時(shí)利用大數(shù)據(jù)思想對(duì)控制輸入初始給定值進(jìn)行計(jì)算的第2次和第3次在收斂速度和控制誤差方面明顯優(yōu)于傳統(tǒng)的迭代學(xué)習(xí)算法。

如圖4(b)所示為第10個(gè)迭代周期3次迭代過(guò)程與車內(nèi)期望壓力的對(duì)比圖。結(jié)合圖4(a)可知，第1次迭代誤差隨著周期數(shù)逐漸遞減，但速度較慢，在迭代進(jìn)行到第10周期時(shí)刻，誤差向量的無(wú)窮范數(shù)為0.680 kPa，仍然達(dá)到了加載幅值的45.34%；相對(duì)第1次迭代，第2次迭代誤差向量的無(wú)窮范數(shù)已經(jīng)減少至0.234 9 kPa，僅為加載幅值的15.66%，誤差降低至第1次的1/3；而第3次迭代誤差向量的無(wú)窮范數(shù)為0.039 42 kPa，在數(shù)值上已經(jīng)滿足了0.06PA的迭代終止條件，僅為加載幅值的2.63%。

同時(shí)，相比于第1次的迭代，第2,3次迭代在整個(gè)迭代過(guò)程中，誤差波動(dòng)較小，呈現(xiàn)出一種單調(diào)收斂的特點(diǎn)，不僅在收斂速度方面性能較第1次優(yōu)越，同時(shí)還能有效減少系統(tǒng)的波動(dòng)和超調(diào)，使得系統(tǒng)的動(dòng)態(tài)性能得到了提高。

系統(tǒng)最后一個(gè)周期輸出誤差波形圖如圖5所示，由圖可知，迭代至第100個(gè)周期時(shí)刻，第1次迭代誤差向量的無(wú)窮范數(shù)為0.147 3 kPa，為加載幅值的10%，而第2次、第3次迭代誤差向量的無(wú)窮范數(shù)為0.056 kPa及0.038 kPa，僅為加載幅值的3.73%及2.53%。相比于第1次迭代，后者明顯提高了系統(tǒng)的學(xué)習(xí)效率和學(xué)習(xí)性能。

(a)控制系統(tǒng)總體誤差圖；(b)第10周期車內(nèi)壓力波形圖圖4　控制系統(tǒng)效果圖Fig.4 Results of the control system

圖5　控制系統(tǒng)最后周期誤差圖Fig.5 Last cycle error of the control system

4　結(jié)論

1)為進(jìn)行高速列車車內(nèi)氣壓波動(dòng)與旅客乘坐舒適性的關(guān)系的研究，設(shè)計(jì)了可以重復(fù)性模擬復(fù)現(xiàn)高速列車車內(nèi)氣壓變化的氣壓模擬系統(tǒng)，利用Simulink與AMESim聯(lián)合仿真技術(shù)建立了系統(tǒng)的仿真平臺(tái)，為系統(tǒng)的前期控制算法研究提供基礎(chǔ)，具有重要的工程意義。

2)針對(duì)氣壓模擬系統(tǒng)的多容耦合特性，在對(duì)迭代學(xué)習(xí)算法進(jìn)行理論推導(dǎo)的基礎(chǔ)上，提出了一種基于大數(shù)據(jù)思想的迭代學(xué)習(xí)控制算法，仿真結(jié)果表明，利用大數(shù)據(jù)思想的迭代學(xué)習(xí)控制算法在收斂速度比傳統(tǒng)的算法更快，系統(tǒng)的動(dòng)態(tài)性能更佳。

[1] 田紅旗. 列車空氣動(dòng)力學(xué)[M]. 北京: 中國(guó)鐵道出版社，2007.

TIAN Hongqi. Train aerodynamics [M]. Beijing: China Railway Publishing House, 2007.[2] 梅元貴，周朝暉. 高速列車通過(guò)隧道時(shí)誘發(fā)車廂內(nèi)壓力波動(dòng)的數(shù)值分析[J]. 鐵道學(xué)報(bào)，2005，27(5)：36-40.

MEI Yuangui, ZHOU Chaohui. Numerical analysis of transient pressures inside high speed passenger trains through tunnels [J]. Journal of the China Railway Society, 2005, 27(5): 36-40.

[3] 鈴木浩明. 車內(nèi)壓力波動(dòng)引起耳鳴的研究[J]. 國(guó)外鐵道車輛，1999(5): 15-18.

SUZUKI H. A review of research trends on passengers' aural discomfort caused by rail tunnel pressure change [J]. Foreign Railway Vehicle, 1999(5): 15-18.

[4] 王前選，梁習(xí)鋒，高廣軍. 高速列車車體交變氣動(dòng)載荷實(shí)驗(yàn)裝置研究[J]. 鐵道學(xué)報(bào), 2013, 35(8): 29- 34.

WANG Qianxuan, LIANG Xifeng, GAO Guangjun. Research on experimental facility of alternating aerodynamic loads of car bodies of high-speed train[J]. Journal of the China Railway Society, 2013, 35(8): 29-34.

[5] 王前選，梁習(xí)鋒，劉堂紅，等. 高速列車車體氣動(dòng)載荷疲勞強(qiáng)度實(shí)驗(yàn)裝置研究[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 45(8): 2885- 2890.

WANG Qianxuan, LIANG Xifeng, LIU Tanghong, et al. Device of aerodynamic load fatigue test for high-speed train body[J]. Journal of Central South University (Science and Technology).2014, 45(8): 2885- 2890.

[6] 李淼. 多容耦合壓力系統(tǒng)迭代學(xué)習(xí)控制算法的研究[D].成都：西南交通大學(xué),2014.

LI Miao. Researching on iterative learning control algorithm of multi-volume coupling pressure system [D]. Chengdu: Southwest Jiaotong University,2014.

[7] 方超,陳春俊,熊文偉. 高速列車隧道壓力波模擬迭代遺忘因子控制[J]. 控制工程,2015(3):486-489.

FANG Chao, CHEN Chunjun, XIONG Wenwei. Iterative learning control of the high-speed train tunnel pressure wave simulation system with forgetting factor [J].Control Engineering of China, 2015(3): 486- 489.

[8] 陳一帆. 壓力波動(dòng)模擬試驗(yàn)系統(tǒng)的仿真分析[D].北京:北京交通大學(xué),2011.

CHEN Yifan. Analysis of the simulation testing system of pressure wave [D]. Beijing: Beijing Jiaotong University, 2011.

[9] 孫明軒，黃寶健. 迭代學(xué)習(xí)控制[M].北京：國(guó)防工業(yè)出版社，1999.SUN Mingxuan, HUANG Baojian. Iterative learning control [M]. Beijing: National Defense Industry Press. 1999.

[10] 李仁俊，韓正之. 迭代學(xué)習(xí)控制綜述[J]. 控制與決策, 2005(9): 961-966.

LI Renjun, HAN Zhengzhi. Survey of iterative learning control [J]. Control and Decision, 2005(9): 961-966.

[11] Eksteen J J A, Heyns P S. An alternative update formula for nonlinear model-based iterative learning control[J]. Inverse Problems in Science and Engineering, 2015,DOI: 10.1080/17415977.2015.1088536.

[12] 黃浩江,楊勝躍,樊曉平. 非線性動(dòng)力學(xué)系統(tǒng)的閉環(huán)模糊迭代學(xué)習(xí)控制器設(shè)計(jì)[J]. 長(zhǎng)沙鐵道學(xué)院學(xué)報(bào), 2003(2): 70-74.

HUANG Haojiang, YANG Shengyue, FAN Xiaoping. On closed-loop fuzzy iterative learning controller design for nonlinear dynamic systems [J]. Journal of Changsha Railway University, 2003(2): 70-74.

[13] 曹偉，叢望，李金,等. 帶有初態(tài)學(xué)習(xí)的可變?cè)鲆娴鷮W(xué)習(xí)控制[J]. 控制與決策，2012(3): 473-476,480.

CAO Wei, CONG Wang, LI Jin, GUO Yuan. Iterative learning control of variable gain with initial state study [J]. Control and Decision, 2012(3): 473-476，480.

[14] David H Owens, Bing Chu. Combined inverse and gradient iterative learning control: performance, monotonicity, robustness and non-minimum-phase zeros. International journal of robust and nonlinear control [J]. 2014, 24:406-431.

[15] Manyika J, Chui M, Brown B, et al. Big data: The next frontier for innovation, competition, and productivity [R]. McKinsey Global Institute, 2011.

[16] 馬天飛,崔澤飛,張敏敏. 基于AMESim雙筒疊加閥片式充氣減振器建模與仿真[J]. 機(jī)械工程學(xué)報(bào),2013(12): 123-130.MA Tianfei, CUI Zefei, ZHANG Minmin. Modeling and simulating of the gas-precharged dual-sleeve shock absorber with multiple valve plates using AMESim [J]. Journal of Mechanical Engineering, 2013(12): 123-130.

Research of big data iterative learning control algorithm for air pressure simulation system

QU Guoqing, CHEN Chunjun, YAN Zhongkui

(School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China)

In order to research the relationship between the high-speed train inner space air pressure fluctuation and passenger comfort, an air pressure simulation system which could simulate the air pressure fluctuation of high-speed train inner space repetitively was designed. The simulation model of air pressure simulation system was established by using the co-simulation technology of Simulink and AMESim. For the Multi-Volume Coupled characteristics of the air pressure simulation system, a kind of iterative learning control (ILC) algorithm based on big data was proposed. The algorithm uses the history operation data of the system to calculate the given initial value of ILC algorithm control output firstly, and dynamic iteractive learning is then started on this basis. The simulation results show that the proposed algorithm can improve convergence speed and dynamic performance of the system significantly.

high-speed train; air pressure simulation; iterative learning control; big data; convergence speed

2015-12-21

國(guó)家自然科學(xué)基金資助項(xiàng)目(51475387)

陳春俊(1967-)，男，四川蒲江人，教授，博士，從事高速列車橫向主動(dòng)半主動(dòng)控制及空氣動(dòng)力學(xué)性能測(cè)試研究；E-mail:cjchen@swjtu.cn

TP273；U271.91

A

1672-7029(2016)10-1886-05