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。     

模糊预测控制在ATO系统中的应用

首先介绍了列车自动运行系统(ATO)的基本结构和功能,然后介绍了模糊逻辑和预测控制的基本原理,最后对模糊预测控制在列车自动运行系统中的应用深入研究,并进行仿真验证。通过对比PID控制器,表明在列车控制系统中,采用模糊预测控制器对于改善列车安全性能有明显的帮助。     

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。     

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。     

列车自动驾驶系统的滑模PID组合控制

停车精度高、舒适平稳、响应速度快是衡量列车自动驾驶系统控制性能的重要指标。本文针对城市轨道列车模型具体参数未知,因设备老化及环境变化造成的列车性能变化,及存在外界干扰等问题,设计了基于曲线跟踪的滑模PID组合控制器。基于滑模控制技术,该控制器能驱动列车运行状态,使其达到事先指定的滑动超平面,使得列车能够跟踪理想目标运行曲线,完成站间运行并精确停车。系统仿真研究及实际应用表明,滑模PID组合控制渐近稳定,且对列车系统参数不确定性和外界干扰具有较强的鲁棒性。     

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.     

基于粒子群算法的隐式广义预测在ATO中的应用

由于列车运行速度的不断提高,对列车自动驾驶(Automatic Train Operation,ATO)系统提出更高的要求。针对隐式广义预测(Implicit Generalized Predictive Control,IGPC)控制器在ATO中难以获得最优预测控制输入的问题,运用一种基于粒子群优化(Particle Swarm Optimization,PSO)的IGPC算法对ATO系统进行控制。为更进一步提高PSO算法的寻优能力,对基本PSO算法进行改进,从而有效提高系统的寻优精度和速度。并对有约束情况下的CRH2型车进行仿真验证,仿真结果显示PSO-IGPC比单纯IGPC对ATO的控制效果更优。     

考虑ATP限速的ATO控制算法研究

一般列车自动运行(ATO)控制算法不直接考虑列车自动防护系统(ATP)限速的约束,因此可能造成列车在正常运行情况下的紧急停车。本文提出一种基于模型预测控制MPC(Model Predictive Control)的ATO控制算法,在控制器设计中直接考虑ATP限速约束,能够保证在ATO控制列车正常运行情况下不会触发ATP紧急制动,从而提高列车运行效率和舒适度。仿真结果表明该方法是有效的。     

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。     

基于无模型自适应控制的高速列车ATO控制器

针对高速列车在多变复杂环境运行时,传统控制器出现的动力学模型不匹配和司机操作存在安全隐患的问题,提出一种基于无模型自适应控制(Model-Free Adaptive Control, MFAC)的高速列车自动驾驶控制器设计方案。首先,构建全格式动态数据列车模型,将列车的非线性特性转移到伪梯度中;其次,根据全格式动态数据列车模型设计无模型自适应控制律和列车控车原理,通过列车运行数据估计伪梯度,构建ATO控制器;最后,使用"兰州西—西宁"的动车组运行数据进行仿真,得到MFAC控制器作用下的速度追踪误差为0.254km/h,列车加速度冲击率区间主要分布于[0,0.1)中,约占总步长的83.8%,并与模糊自适应PID(ProportionIntegral-Derivative)在速度追踪、位移追踪和舒适度方面做了对比,结果表明该控制器的性能更优。     

中速磁悬浮列车的分数阶运行控制方法

针对中速磁悬浮列车运行控制系统的高控制精度与高鲁棒性要求,提出一种基于分数阶PID的运行控制方法.首先,根据中速磁悬浮列车运行数据,利用粒子群优化-模拟退火算法辨识列车空气阻力系数,提高列车动力学模型精度.然后,设计分数阶PID速度控制器,跟踪列车目标速度曲线,降低各类运行阻力对列车运行过程的影响.最后,基于试验线数据...     

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。     

城市轨道交通列车自动驾驶各阶段速度控制算法的研究

本文介绍列车自动驾驶(ATO)的基本功能,重点描述列车速度调节和控制功能.将列车自动驾驶过程划分为车站发车、速度跟踪、目标制动3个阶段,对每个阶段的目标速度曲线、速度控制策略和计算算法进行了分析,提出了速度跟踪阶段采用的速度离散化PID控制方法并对其进行了重点研究.     

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.     

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。     

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。     

高速铁路自动驾驶系统舒适度测量系统设计与实现

自动驾驶(ATO)技术对列车运行曲线的控制为多目标控制,按照控制优先级自高至低依次为:准点运行、舒适度、节能运行。列车运行的准点率以及节能性能评估已有相关的标准或明确的方法,但针对高速铁路自动驾驶系统舒适度检测的标准和方法还未形成。因此需要建立评判标准、开发专用的测量系统,以实现高速铁路自动驾驶曲线对旅客乘车体验的影响量化检测,从旅客舒适度的角度来判断该曲线的合理性,为评判和优化高速铁路ATO的驾驶策略提供依据。