基于混合系统模型预测控制的列车优化运行

为保证列车高效率运行,需要对自动驾驶系统进行高效设计。列车运行过程具有高度非线性化的特性,针对这一特性,通过引入整数变量,建立基于混合系统的列车混合逻辑动态模型,其次考虑列车运行过程的多重约束,通过二次规划求解控制律。同时为了降低控制器计算量,在模型预测控制的基础上引入了阶梯式控制策略。最后利用Matlab仿真软件使其跟踪一条即定曲线,对所提的控制策略进行数值仿真。结果表明,该控制器可以在降低计算量的基础上,保证列车准时高效跟踪既定曲线,当改变控制器参数时,对跟踪效果有较大的影响。仿真结果对本文采用的方法进行了有效验证。     

粒子群优化广义预测控制在列车制动系统中的应用

动车组列车制动系统是列车自动驾驶系统ATO的关键环节。针对动车组列车制动系统模型存在较大误差导致的列车在制动阶段控制效果较差这一问题,提出将动车组列车制动模型分为静态子系统和动态子系统两部分,根据列车制动系统的性能和要求,设计了CPSO(混沌粒子群算法)优化GPC广义预测控制器。该控制器由CPSO辨识动态子系统纯延时环节和外界干扰造成的GPC模型误差,并计算动车组列车所需的控制量。以CRH2型动车组为仿真对象,从仿真结果看出,CPSO-GPC控制器在遇到未知干扰时能够满足动车组列车对给定速度和位移的高精度跟踪要求。     

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。     

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。     

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。     

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。     

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。     

基于元模型的通用性列控仿真平台基础环境研究

为实现列控仿真系统可重用性、可扩展性及可组合性的目标奠定底层基础,提出将列控系统分为控制器和控制对象,即列车控制策略和列车运行基本环境,在列控仿真系统中将控制器和控制对象分离设计。通过总结不同轨道交通系统运行的共性特征,将线路拓扑结构、列车模型和驾驶模型作为列车运行基础环境的3部分,采用元模型思想形式化描述列车运行基础环境的3部分,设计了基础线路数据库与仿真线路拓扑结构映射的关键算法和列车运行规则。采用高速铁路线路数据实现了列车运行基础环境,结果表明:所做研究在满足列控仿真平台需求的基础上,达到了列控仿真系统平台运行基础环境通用性目标。     

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。