结合迭代学习和模型预测的重载列车运行控制

为实现重载列车单次行程的高鲁棒高精度轨迹跟踪，根据列车纵向运动特性，构建重载列车多质点的动力学模型；基于利用批次化的运行过程积累控制经验，结合迭代学习和模型预测控制方法设计1种增强抗扰的重载列车跟踪控制器，将重载列车动力学模型转化为基于模型预测控制框架下的线性二次型最优控制模型，用二次型最优控制的速度和位置状态反馈增益表示迭代学习增益，利用批次化积累的控制经验不断提高跟踪性能，实现单次行程的滚动时域优化，提升轨迹跟踪的鲁棒性和精度；对某货运专线上的2万t重载列车进行跟踪控制仿真，分别从时域稳定性和迭代收敛性验证该控制器的稳定性。结果表明：结合迭代学习和模型预测控制方法能够很好地利用重载列车系统操纵重复性特征并实现全程跟踪控制，较传统控制方法跟踪效果更好并能有效降低列车纵向冲动，同时能够动态响应非重复性扰动，满足重载列车运行控制要求。     

基于蚁群算法的城市轨道交通列车节能运行优化模型仿真分析

对城市轨道交通列车的开行模式、牵引控制特性、驾驶策略优化算法等进行了综合分析，基于蚁群算法建立了优化求解模型匹配的列车最优运行速度曲线，采用OPENTRACK软件对优化结果进行了仿真分析，验证了列车节能运行策略的可行性及算法优化的有效性。     

一种基于改进BP神经网络的重载列车驾驶曲线算法研究

BP神经网络被用于重载列车驾驶曲线研究，利用列车实际驾驶数据进行神经网络学习，描述列车制动时的非线性特性，对列车制动运行过程建模，获得列车制动减压目标值及缓解时间进行运动方程运算，最终获得重载列车驾驶曲线。通过在朔黄线线路上由该模型仿真得到的驾驶曲线和实际列车驾驶曲线比较，结果表明该方法研究驾驶曲线是有效的。     

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。     

面向操纵优化的智能列车辅助驾驶系统

针对我国干线铁路列车仍然采用人工驾驶方式的现状,在分析现有列车辅助驾驶系统的基础上展开智能列车辅助驾驶系统的研究。首先进行功能需求与系统结构的分析,之后建立人工驾驶情形下的列车驾驶策略优化模型,设计结合离线优化与在线调整的智能优化方法进行求解,并以驾驶辅助提示信息的方式向列车驾驶员提供优化后的操纵建议,最后结合半实物实验平台进行实验验证与结果分析。实验结果表明,所提出的方法与系统可有效提升人工驾驶下的列车运行节能性与准点率等关键指标,可为人工驾驶操纵优化的实现提供技术支撑。     

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。     

基于卷积神经网络优化算法的列车智能测试系统技术研究

设计基于卷积神经网络优化算法的列车智能测试系统,解决城市轨道交通领域列车系统测试自动化模拟问题。提出的列车智能测试系统,采用卷积神经网络的结构模型和基于分层压缩的卷积神经网络算法,详尽介绍构建分层压缩卷积神经网络的具体过程和卷积核优化结构设计。对站场测试用例的自动化模拟实验和测试数据分析的结果表明,基于卷积神经网络优化算法的列车智能测试系统可以优化测试过程、降低人工错误操作、合理分配测试资源、提高测试质量,加快整体系统测试进度的要求,为城市轨道交通领域未来实现全面自动化测试提供技术保障。     

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。     

基于混合系统模型预测控制的列车自动驾驶策略

本文研究多优化目标和多约束条件下的动车组列车自动驾驶ATO控制问题。通过分段线性化列车运行阻力,引入列车运行状态整数变量,建立了动车组混合整数列车运行模型。提出基于混合系统模型预测控制HMPC的列车自动驾驶策略,并应用输入分块化技术和显式模型预测控制,降低算法的计算量,以提高硬件实现的可行性。前者通过固定一定时间段内的控制量,对输入序列进行分块化,降低控制器的自由度;后者通过离线设计和在线综合的方法减少算法的在线计算时间。最后利用Matlab仿真软件环境下的MPT 3.0扩展工具箱对所提控制策略进行数值仿真。结果表明:该控制器能在列车运行安全约束下,合理分配动车组各车厢的牵引力和制动力,保障列车准时及节能高效地运行,同时所提出的改进算法能有效降低计算量。     

基于智能VRFT的城市轨道交通列车速度控制研究

利用虚拟参考反馈整定VRFT方法，可根据被控对象的一组输入和输出数据完成控制器设计的特点，提出一种基于智能VRFT的城市轨道交通列车速度控制方法；VRFT方法中的参考模型决定了控制器的闭环性能，通过粒子群优化算法PSO，对控制器参数和参考模型参数进行全局协同优化，设计出最优PID控制器。仿真结果表明：该方法能够优化PID控制器的设计，有效控制城市轨道交通列车速度。     

分布式地铁列车驾驶仿真器的体系结构

从列车驾驶仿真器的体系结构出发,提出一种分布式列车驾驶仿真器的实现方案。该方案中,地铁列车驾驶仿真器由数据采集及输出、主控、ATC仿真、视景仿真、声音仿真、数字广播及通信仿真、运动平台控制等仿真子系统组成。子系统间采用IP组播的方式进行通信。方案支持基于DIS协议的仿真器间的通信,可实现多仿真器协同训练。为降低通信强度,提高仿真的实时性,采用一种DR算法。     

基于BFGS方法的列车速度预测控制研究

列车速度控制是轨道交通发展领域的重要基础问题。面向真实列车速度控制应用场景的列车动力学模型及其控制器设计更具挑战性。一方面,传统基于反馈的无模型控制策略存在收敛速度慢、参数要求高、环境变化敏感等问题,目前难以从优化角度设计控制器且应对复杂系统的约束。另一方面,传统的列车单质点动力学模型很难解决高速列车运行过程中的非线性特性。针对上述瓶颈,首先对列车各节车厢进行受力分析,且考虑车厢间的安全距离,将相对位置和相对速度作为可变状态构建列车多质点模型。然后采用模型预测控制策略,综合考虑列车速度控制的非线性成本函数,处理列车运行过程中的复杂约束,预测控制系统的未来动态行为。然后,针对列车预测控制中的复杂动态约束非线性优化问题,设计对数障碍函数处理不等式约束,进而从拟牛顿法角度设计一种具有稳定收敛性的基于BFGS方法的列车速度预测控制算法,完成列车速度的精准跟踪控制。最后,以国内某线站间列车运行数据为例,与其他先进控制方法进行对比实验,以验证所提出的BFGS列车速度预测控制算法的优越性能。实验结果表明,本文所设计的基于BFGS方法的列车速度预测控制算法能够有效地减小列车速度跟踪误差和位移误差,提升...     

地铁列车驾驶仿真器声音仿真系统研究

声音仿真系统是地铁列车驾驶仿真器的重要组成部分。介绍了地铁列车驾驶仿真器的基本结构和功能,提出了利用DirectSound进行声音仿真的基本思路,阐述了基于 DirectSound的地铁列车驾驶仿真器声音仿真系统的具体实现方法。     

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。     

基于遗传算法的重载列车驾驶策略研究

针对重载列车在长大下坡道运行时需采取循环制动来保证列车安全运行的难点问题,通过分析重载列车动力学模型和操纵要求,研究了一种基于遗传算法的列车驾驶策略。首先,基于线路数据和列车编组数据,对重载列车运行过程进行了动力学模型的建立;然后以操纵要求建立约束集,设计了以工况(制动和制动缓解)转换点为编码对象的驾驶策略生成算法;最后选取朔黄铁路一段长大下坡道实际线路数据,仿真得到最优的工况转换序列,并生成列车驾驶曲线。分析仿真驾驶曲线与指导驾驶曲线速度的均方根误差以及速度误差的期望和方差,表明该方法是可行的。     

基于Agent和元胞自动机的轨道交通建模及仿真研究

针对传统的基于经典数学方法构建的交通模型存在的固有不足，分析了智能体和元胞自动机理论方法在交通仿真研究和应用中的特性及各自存在的局限性和优势，构建了基于智能体和元胞自动机相结合的基本轨道交通仿真模型。分别模拟了不同闭塞制式下列车追踪运行的效果，对最小列车时间间隔进行了验算并得出了不同闭塞方式下最小列车时间间隔的计算结果...     

基于混合核函数GA-SVR的动车组制动闸片寿命预测

制动闸片是基础制动装置中的执行机构,对其使用寿命的精确预测直接关乎动车组的安全运行问题。为解决传统的SVR模型在寿命预测时存在着不能兼顾各类核函数优良性能的问题,进一步提高动车组制动闸片剩余寿命预测精度,提出一种基于遗传算法优化且集合了不同核函数优点的混合核SVR回归模型。首先分别采用具有优良泛化能力的多项式核函数和突出学习能力的RBF核函数构建2个单个核函数SVR回归模型。随后利用遗传算法以交叉验证方式下模型预测产生的均方误差和作为适应度函数,对2个单一核SVR回归模型的惩罚因子c和函数带宽g进行寻优求解,得到2个性能最佳的单核SVR回归模型。然后以均方误差最低为目标调整混合因数,将2个核矩阵融合为一个仍满足Mercer条件的混合核矩阵,作为新的GA-SVR模型核函数矩阵。最后基于得到的模型对动车组制动闸片剩余寿命进行评估。结果表明：混合核模型在各个时段预测时产生的累积相对误差均低于单一核模型,且在方上差也更为平稳。直接体现了所建立的模型在学习能力与泛化能力上都较单一核GA-SVR模型有了提高,有效提高了动车组制动闸片寿命预测的精度,更出色的泛化能力也表明了该模型具有一定的工程实用价...     

基于自抗扰控制的地铁列车驾驶控制算法

基于PID算法或基于模糊PID算法的地铁列车ATO驾驶控制算法的速度响应误差大,加减速切换频繁,从而导致旅客舒适度一般,列车停车精度不高,列车能耗略高和运行时间存在一定误差的问题。搭建地铁列车模型,结合北京地铁亦庄线线路数据,通过仿真实验对比基于PID算法,基于模糊PID算法,基于专家系统,基于ADRC算法的地铁列车ATO驾驶控制算法的控制效果,并在实验中运用改进的粒子群算法对ADRC算法的参数进行快速整定。仿真结果表明:基于ADRC算法的地铁列车ATO驾驶控制算法的控制效果优于基于PID算法和基于模糊PID算法的地铁列车ATO驾驶控制算法,其控制效果和经验丰富的司机驾驶基本相当,可以有效提高旅客舒适度、列车停车精度,减小列车能耗、运行时间误差。     

高速列车多模型广义预测控制方法

列车运行过程是一个典型的非线性过程,并且随着列车速度的增加,非线性特性越来越强,这就给自动驾驶系统的设计提出更高的要求。本文针对高速列车自动驾驶系统设计多模型广义预测控制器。首先针对高速列车的非线性特性,利用聚类有效性评价指标确定最优的多模型个数,然后采用减法聚类方法建立多模型集合。接着针对每个聚类集合,利用递推最小二乘方法建立相应的线性模型。最后针对模型参数不确定性和未建模部分,设计多模型广义预测控制器进行控制。仿真结果证明了该方法的有效性。     

基于UIC406的移动闭塞模式下越江段列车运行

从信号系统控制列车的角度研究如何减小列车在越江区间的最小追踪间隔问题，以提高长大越江区间线路通过能力。首先，介绍移动闭塞模式下列车通过越江区间的运行方式，信号系统需保证线路正常运营，越江段区间风井之间仅有1列车运行；其次，结合列车运行特点，参考UIC406能力分析方法推算出移动闭塞模式下列车在越江区间内最小追踪间隔的计算模型，得出最小追踪间隔与列车在越江区间中运行速度之间的函数关系；然后，通过对所得的函数进行求导，推算出列车在区间中的最高运行速度、接近速度的取值及对最小追踪间隔的影响，并求得函数的极小值；最后，通过仿真软件验证计算模型的合理性并提出信号控制列车的优化方案。