基于专家系统及在线调整的列车智能驾驶算法

本文分析列车自动驾驶(ATO)系统中传统控制方法在灵活性和智能性方面的不足,结合驾驶经验和梯度下降法,提出基于专家系统及在线调整方法的列车智能驾驶(ITO)算法。总结操纵规则和驾驶经验,建立基于专家经验的控制策略以节约能耗、提高舒适度。针对列车运行控制的多目标性,在专家系统的基础上,引入基于梯度下降法的在线调整方法以减小运行时间和停车精度误差。在MATLAB软件环境下构建仿真模型,并运用实际线路进行仿真比较,与PID控制算法的对比结果表明,该算法优于PID控制算法,符合驾驶经验,可提高舒适度,降低能耗,满足停车精度要求,同时对不同的运行时间有较好的适应性,智能性高。     

基于GA优化模糊PID控制的ATO算法研究

针对城市轨道列车的自动驾驶系统(ATO)传统PID控制方法适应性差和智能化不足的问题,基于该领域专家知识和驾驶司机的操作经验,将遗传算法优化的模糊PID控制算法运用在ATO的控制系统中,并运用MTALAB进行仿真。仿真结果表明,该控制算法优于传统的PID控制,能够满足ATO系统对不同工况下的适应性和智能性要求,可以达到精确停车和准点到站的目的,能够有效提高列车舒适性和降低列车能耗。     

基于数据驱动的列车智能驾驶算法研究

结合数据驱动控制理论和司机驾驶经验,提出数据驱动推理控制算法.考虑到列车运行控制的复杂性,在推理控制算法的基础上引入了牛顿迭代学习法以减小运行误差.在MATLAB环境构建了在线仿真模型,并运用实际线路进行了仿真比较,与PID控制算法的结果对比表明,该算法优于PID控制算法,基本符合驾驶经验,提高了舒适度、降低了能耗,同时满足停车精度和运行时间要求.     

基于改进灰色预测模糊PID控制的列车多目标优化研究

针对列车自动驾驶(ATO)系统各性能指标最优问题,充分考虑灰色预测控制、模糊控制与PID控制各自的优点,提出一种改进灰色预测模糊PID控制算法。以准时性、舒适性、精准停车及能耗为指标,列车动力学方程为约束,构建列车运行多目标模型;然后采用遗传算法优化该模型,根据MATLAB软件得到列车运行目标曲线;最后利用Simulink模块搭建PID控制器仿真模型、模糊PID控制器仿真模型和改进灰色预测模糊PID控制器仿真模型,获得其对应的跟踪曲线。选用车型和线路仿真模拟,仿真结果表明:改进灰色预测模糊PID控制算法比PID控制算法和模糊PID控制算法在提高列车运行的准时性、舒适性、停车精确性以及降低能耗方面更有效。     

基于粒子群优化的ATO控制策略

传统列车自动驾驶(ATO)控制策略通过提高对目标速度的追踪精度来精确控制工况切换频繁,能耗较大且无法进行全局优化。直接控制列车驾驶的全局ATO控制策略能较好解决传统控制策略的缺陷。列车在自动运行过程中依据不同的全局控制策略,能耗、运行时间误差、停站误差等评价指标均产生变化。由于评价指标存在内部矛盾,不存在所有指标均最优的控制策略。本文提出1种基于动态邻居和广义学习策略的粒子群(ADPSO)优化全局控制策略的算法。该算法通过挖掘线路信息和列车运行信息指导优化过程,以获得在列车安全运行的前提下,满足一定能耗、运行时间误差和停站误差要求的全局ATO控制策略。仿真研究结果表明与其他两种优化算法相比,该算法具有更好的性能。     

一种舒适且高精度的列车停车控制器的设计

舒适性和停车精度是列车自动驾驶系统(ATO)的重要性能指标.本文首先根据现场经验建立ATO的性能指标评价函数.在此基础上,设计出一种舒适并且高停车精度的列车自动停车控制器.仿真结果表明;与传统的PID控制器相比,本文设计的控制器的舒适度更好,停车精度更高.     

模糊预测控制在地铁舒适度方面的研究与仿真

针对地铁列车自行运行系统(Automatic Train Operation, ATO)舒适度方面进行研究,基于模糊预测控制理论设计了模糊预测控制器,在MATLAB平台上通过仿真模型建立,对模糊预测控制在ATO舒适度方面深入研究并进行仿真验证,表明ATO系统采用模糊预测控制算法在地铁舒适度方面有明显的改善,为地铁舒适度方面提供可行方案。     

基于模糊自适应PID控制的ATO系统控制算法

为了研究ATO系统控制算法的智能性和高效性,在传统PID算法的基础上,充分考虑到列车系统的非线性和复杂性,结合模糊控制理论能进行实时非线性调节的优点,提出了模糊自适应PID控制算法。并在Matlab/Simulink中建立了ATO系统的仿真模型和算法控制模块。将两种算法分别运用到ATO系统中,对目标速度曲线进行跟踪,从停车精度、追溯性、准时性、节能性、舒适性五个方面对二者的控制性能进行比较分析。仿真结果表明,将模糊自适应PID算法运用到ATO系统中,列车的控制性能能够很好地满足ATO系统的各个性能指标要求。     

基于分数阶PID控制器的地铁列车优化控制研究

城市轨道交通运力需求的快速增长,使得地铁列车的行车间隔不断缩小,准点要求越来越高,这对列车运行控制算法的精度和鲁棒性提出了更高要求。本文将分数阶PID控制器引入地铁列车的速度控制,并进行优化研究。建立地铁列车的运动模型,该模型参考牵引制动特性,采用遗传算法修正列车基本阻力系数。基于该模型将分数阶PID控制算法应用于ATO系统的速度控制中。仿真对比分数阶PID控制算法与传统PID控制算法,采用现场数据对建立的模型和算法进行检验。研究结果表明新模型能够更加准确地描述列车的运动特性,当分数阶PID控制算法应用于调速控制后,可以使列车实现更优的速度控制和稳定性。     

城市轨道交通ATO的节能优化研究

自动列车驾驶系统ATO通过对列车的速度调节实现列车在站间的自动运行,列车在站间的控制策略决定其运行的能耗。传统的ATO可以根据线路情况、列车当前速度、位置、牵引制动特性以及停车点的位置计算相应的速度曲线,通过一定的控制算法实现对列车速度的精确追踪,保证列车准点并精确地到达停车点。但是该过程使得列车在站间运行时反复实施牵引力和制动力的转换,能耗较大。本文在传统ATO控制策略的基础上,分析一种基于驾驶策略的ATO控制方法,给出一种ATO节能驾驶策略的求解算法。该算法在保证列车到站时间误差在一定范围的前提下,通过延长列车的惰行距离,减少列车在站间运行的能耗。     

基于PID型迭代学习控制的列车自动驾驶曲线跟踪算法研究

针对基于比例微分积分（PID,Proportional Integral Derivative）控制的列车速度跟踪算法在跟踪进度、收敛性和稳定性等方面存在的不足，提出一种基于PID型迭代学习控制（ILC,Iterative Learning Control）的列车自动驾驶（ATO,Automatic Train Operation）曲线跟踪算法。通过迭代学习控制，优化跟踪过程，减小跟踪误差，缩短收敛时间；设置典型场景对所设计的算法进行仿真试验，并将仿真结果与基于PID控制算法的跟踪效果进行对比分析。结果表明，PID型ILC算法对列车目标速度和目标位移具有较高的跟踪精度，能够在有限的迭代次数内实现精确跟踪，验证了所提算法的有效性。     

基于灰色预测模糊PID控制的列车ATO系统优化

对列车目标运行曲线的精确追踪是列车自动驾驶系统实现列车安全、准时、节能及舒适运行的核心。针对列车运行过程的大滞后、非线性问题,设计以灰色预测模糊PID算法为核心的列车自动驾驶控制器,以此达到优化列车ATO控制系统的目的。灰色预测控制设置在反馈回路中,其预测值与给定输入值的偏差及偏差变化率作为模糊控制器的输入。模糊控制系统对PID控制的参数进行自动校正,参数可调的PID算法完成对系统的控制。选取相关线路和车型并做仿真试验,验证了经控制器作用后的输出曲线与列车运行的输入曲线之间的追随误差小,加速度的变化在合理的范围内。因此,设计的控制器可以取得良好的ATO控制效果。     

天津地铁2号线列车ATO模式下精确停车的实现

随着我国城市轨道交通的迅速发展,很多城市的城轨都采用了列车自动驾驶ATO模式来保证高效运行,这就对列车进站停车的精确性提出了更高的要求。本文根据天津地铁2号线ATO系统的停车控制原理及列车实际运行状况,分析了影响列车停车精度的因素,提出了提高测量列车速度和列车定位的的准确性及改进软件算法等措施,以保证列车进站停车精度在标准之内,从而确保列车运行安全的可靠性。     

高速铁路列车自动驾驶系统的研究和仿真实现

按照列车运行的启动、区间调速和定点停车3个阶段研究高速铁路的列车自动驾驶(ATO)系统.在满足时间性、停车精度、舒适性,安全性等性能指标的前提下,根据实际线路技术条件,提出ATO的控制算法,针对列车运行各阶段建立由最快加速策略,巡航和专家打分法及预测算法组成的数学模型,并对ATO系统进行仿真,效果理想.     

基于改进DE的城轨列车节能速度曲线研究

采用改进交叉策略的差分进化（DE，Differential Evolution）算法，研究城轨列车节能优化的速度曲线生成。该算法以起点到目标停车点的距离和工况状态值作为个体基因，基于改进交叉策略，结合工况转换原则，对变异后的个体基因进行有效化处理。建立末速度、停车位置误差、运行时间和牵引能耗的评价模型，在满足安全运行和舒适度要求下生成最优列车自动运行（ATO，Automatic Train Operation）速度曲线。经数据仿真测试，牵引能耗为28.8 kw·h。生成的速度曲线，在准时到达的前提下，具有较好的节能效果，对城市轨道交通的列车节能优化运行研究具有一定的参考价值。     

厦门地铁1号线地铁列车启停舒适度改善研究

文章针对地铁列车启动和停车冲击大的问题,以厦门地铁1号线列车为例,分析列车启动和停车的控制逻辑,提出启动和停车冲击优化方案,并通过固定制动级位停车试验和ATO启动停车试验验证了改进效果,实现了地铁列车舒适度的改善.     

基于KH算法的高速列车ATO控制策略优化研究

针对传统高速列车自动驾驶(ATO)控制策略优化时简化线路参数、列车牵引计算采用单质点模型等问题,将列车通过牵引供电分相区断电惰行纳入运行工况,建立动车组多质点模型。在满足列车运行图固定运行时间条件下,以能耗、准点性、停车准确性及舒适性为指标建立高速列车ATO控制策略优化模型。利用磷虾群(KH)算法对高速列车ATO控制策略进行优化。以兰新高速铁路某区间线路数据为例,仿真测试表明KH算法可以在较少的迭代次数下获得较粒子群算法更优的ATO控制策略,且列车过分相区断电惰行会对优化结果产生影响,验证了所提算法在优化高速列车ATO控制策略中的优越性及将列车过分相区断电惰行纳入运行工况的合理性。     

基于自适应滑模控制的城际列车精确停车方法研究

停车精度是衡量列车自动驾驶控制性能的重要指标。针对城际轨道列车精确停车的需求，分析列车自动停车过程、列车动力学模型以及制动模型，在此基础上提出采用自适应滑模控制器来提高停车精度和列车运行舒适性；应用滑模控制原理设计列车停车控制算法，并对滑模控制中的趋近律增益进行自适应调节，以提高系统响应速度及改善稳态精度。仿真结果表明，基于自适应滑模控制的停车算法表现出良好的鲁棒性和自适应性，该控制器使列车能够精确地跟踪停车目标曲线，并改善列车的停车精度和运行舒适性。     

一种基于策略梯度强化学习的列车智能控制方法

近年来,我国已初步建成巨大的城市轨道交通和高速铁路网络,逐步开始走向提升整体运营效率的新阶段。城市轨道交通系统的大规模和高密度运营,使得系统能耗急剧增长。现有的自动驾驶控制方法基于已有的模型,能够完成在正常场景下的自动驾驶。基于现有列车自动驾驶技术的控制原理和优秀司机的驾驶经验,提出一种列车智能控制方法,以减小列车的牵引能耗。首先,建立列车控制专家系统,能满足乘客舒适度要求;在此基础上,利用神经网络作为列车驾驶控制器,设计了一种基于策略的强化学习算法,优化神经网络的参数,以适应变化的运营场景。基于地铁现场运行数据仿真结果表明,该智能算法比现有算法具有更好地节能效果和准时性。     

基于自适应模糊滑模的列车精确停车制动控制算法

针对高速列车自动驾驶系统精确进站停车问题,基于列车动力学模型和列车制动系统模型,设计1种自适应模糊滑模控制器,通过模糊切换以补偿列车运行过程中受到的基本阻力、线路附加阻力以及外部未知随机扰动等非线性扰动的影响。根据滑模控制理论,利用列车运行过程中的状态偏差,设计基于跟踪误差的等效控制器,以求解列车制动等效控制量;考虑外部扰动,基于优秀司机驾驶经验的模糊推理规则,设计切换控制器,以得到精确控制量。采用本文控制算法对列车制动过程进行仿真验证,并与传统的PID控制和基于指数趋近律的滑模控制进行对比。结果表明:在考虑附加阻力和外部扰动情况下,自适应模糊滑模控制器能够柔化非线性切换控制信号,削弱滑模控制固有的抖振现象,实现对参考轨迹的精确跟踪,并最终实现精确停车;即使在列车制动系统实际控制输出出现偏差时,设计的控制器仍能控制列车精确跟踪参考制动曲线。