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。     

强风下高速列车滑膜自适应鲁棒H_∞控制方法

大风环境下高速列车的运行是一个强耦合、高度非线性过程,且随着风速增大和车速增加,这种特性逐渐增强,因此需要更高要求的自动驾驶系统。基于李亚普诺夫稳定性理论设计高速列车自动驾驶滑模自适应鲁棒控制器,该控制器采用自适应控制实时逼近列车不确定性特征的系统输入系数,采用鲁棒H∞控制将自动驾驶系统中模型误差、大风和其他干扰造成的参数变化等所有不确定量减小到最小范围,同时也消除了系统抖振现象。计算出高速列车需要施加的牵引/制动力,通过滑模控制消除系统安全运行速度跟踪误差,实现不同风速下高速列车对给定安全运行速度的高精度跟踪。仿真结果证明了该方法的有效性。     

遗传算法在ATO目标速度曲线规划中的应用

在列车自动驾驶(ATO)系统中,结合遗传算法和列车逐级变速技术,规划出列车运行的目标速度曲线,实现了对列车加速、巡航、减速等运行状态的规划控制.仿真结果表明,该算法满足列车对目标速度曲线的安全性、准时性、节能性和舒适性等要求,可运用于ATO系统和培训仿真系统.     

受限状态下的高速列车迭代学习控制方法研究

针对受限状态下的高速列车自动驾驶系统的跟踪控制问题,基于列车动力学模型,提出一种带饱和函数的迭代学习控制算法。根据Lyapunov稳定性原理,利用列车运行过程中的状态偏差,推导出基于迭代学习控制的列车自动运行控制律。建立类Lyapunov的复合能量函数,通过在迭代域的差分,证明了其差分负定性和有界性,所设计的算法能够控制列车在迭代域对期望运行轨迹达到渐近收敛。采用本文提出的迭代学习控制算法对列车的跟踪性能进行验证,并与PID控制和D型迭代学习控制算法进行比较,结果表明:相较于其他两种算法,本文提出的算法在第3次迭代中就能控制列车精确跟踪期望轨迹,说明算法具有较快的收敛速度和较高的跟踪精度,且能够将控制输入约束在允许范围内。     

基于小波包滤波列车自动驾驶的研究

针对列车运行环境复杂、干扰因素多等问题,提出一种小波包滤波和迭代学习相结合的列车自动驾驶控制系统。首先根据城轨列车的行进与制动模型设计基于小波包的列车速度滤波,以获取较好的列车速度参数;然后采用迭代学习设计一种自适应控制器,对列车在行进过程中进行速度曲线跟踪控制,并能够依据当前的速度与位移判定停车起始位置,从而获取更为精确的停车结果。最后通过约束方程与不等式对列车的停车起始点进行精确选取,来获取更精确的停车时间和停车精度。实验结果表明基于小波包滤波和迭代学习相结合的方法能够更加精确跟踪停车曲线。     

基于遗传算法列车自动运行速度曲线的优化

本文探讨了列车自动运行系统(ATO,Automatic Train Operation)中的列车自动运行速度曲线的优化问题.根据ATO控制指标的要求,建立了包含速度防护、舒适度、节能、精确停车等多个目标的列车运行控制模型;采用遗传算法对列车自动运行控制策略进行优化,验证和仿真了优化后的速度曲线,直观反映了列车自动运行的安全性,舒适性,高效性和停车精度等性能提高情况.     

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。     

基于混合系统建模预测控制的列车自动驾驶优化运行

针对现有列车自动驾驶速度追踪精度不高的问题,提出一种基于混合系统神经网络反馈补偿控制的模型预测控制算法。根据混合系统建模的特点与优势,引入辅助变量,建立混合系统列车运行动力学模型。为了便于求解包含约束的预测控制律,采用二次规划方法求出满足列车各项性能指标的控制作用序列。神经网络反馈控制器用于对系统目标速度与实际速度之间的误差进行在线学习并求出一个补偿控制量,并将补偿后的控制力作用于列车系统模型。研究结果表明:该控制结构包含补偿控制策略,可以较大程度减小系统跟踪误差,保留模型预测控制的优势,同时提高系统的控制精度。     

CTCS-3级列控系统超速防护的仿真研究

从速度防护曲线生成的角度研究列车超速防护算法。根据静态限速和临时限速等,合成最严格限速曲线。分析了单限速区速度防护曲线的算法,针对多限速区,通过递推算法,完成了分级速度控制与目标速度控制模式的结合;实现了司机驾驶模式和自动驾驶模式下,CTCS-3级列车运行控制系统的超速防护。使用该仿真系统对郑西线线路数据进行运行仿真,验证了该速度防护算法的有效性,并为以后进行列车速度防护的研究提供了可靠的实验环境。     

列车自动驾驶技术研究和系统设计

伴随着计算机技术的进步和控制理论的发展,列车自动驾驶技术逐渐成为轨道交通领域研究的重点,文章通过对既有普通列车自动驾驶技术实现方法的研究得出,列车的自动驾驶不仅能减轻乘务员的劳动强度,而且还能有效提高客运列车的准点率及货运列车的达速率,是未来轨道交通技术发展的方向。