CN114660937B - 二氧化碳约束下的车内压力波动迭代学习控制方法及系统 - Google Patents
二氧化碳约束下的车内压力波动迭代学习控制方法及系统 Download PDFInfo
- Publication number
- CN114660937B CN114660937B CN202210317343.5A CN202210317343A CN114660937B CN 114660937 B CN114660937 B CN 114660937B CN 202210317343 A CN202210317343 A CN 202210317343A CN 114660937 B CN114660937 B CN 114660937B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- pressure
- control
- signal
- carbon dioxide
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D27/00—Heating, cooling, ventilating, or air-conditioning
- B61D27/0009—Means for controlling or equalizing air pressure shocks in trains, e.g. when passing or crossing in tunnels
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Air-Conditioning For Vehicles (AREA)
Abstract
本发明公开了一种二氧化碳约束下的车内压力波动迭代学习控制方法及系统,方法为:初始化二氧化碳体积浓度限值等参数;实时检测车内二氧化碳浓度,并与限值进行对比,决定是否执行开启换气风道、执行车内压力控制或获取车内压力信号;计算车内压力1s变化率继续对比;进一步判断是否离开隧道,若是,则进行变幅度处理、计算控制误差以及变尺度处理,按照迭代学习控制算法修正风道阀门开度控制量;本发明系统包括检测模块、信号采集与处理模块、评价模块、车内压力波动控制模块、输出模块以及车体换气系统模块。本发明能够同时保证车内压力舒适性与车内新鲜空气量的需求,具有工程应用价值。
Description
技术领域
本发明属于高速列车车内压力波动控制技术领域,具体涉及一种二氧化碳约束下的车内压力波动迭代学习控制方法及系统。
背景技术
列车在隧道中高速运行时,车外将产生剧烈的隧道压力波,该压力变化通过换气风道、车体缝隙以及车体变形等进入车内,导致车内压力波动,进而影响司乘人员的舒适性。
根据现有文献,列车气密性是影响乘客舒适性的一个重要因素。但是,提高列车气密性能将增加列车制造成本。因此,在列车气密性提升到一定程度后,需要设计合理的车内压力波动控制系统。目前,国内外高速动车组的车内压力波动控制主要分为主动控制、被动控制与主被动混合控制三类。采用高静压风机的主动控制方式在车内外压差较大时能耗高;采用变频风机的主动控制方式则受到实时性的挑战;固定时长关闭换气风道的被动控制方式能够抑制车外压力向车内传递,但是一段时间后再次开启风道,若风道开启时间不合理,车内外巨大的压差会导致车内更大的压力波动;若延长风道关闭时长,将会导致车内二氧化碳浓度升高,影响车内空气质量。由于换气风道开闭时刻未与隧道压力波特性进行匹配,因此被动控制方式难以同时保证车内压力舒适性与车内新鲜空气量的需求。
迭代学习控制采用“在重复中学习”的学习策略,适用于具有重复运动性质的被控对象。由于受车速以及周围环境随机扰动的影响,同一高速列车穿过同一隧道时产生的隧道压力波发生了时间尺度以及幅度方面的形态变化(本发明将其称为定形态隧道压力波),其不具有严格的周期性,这使得传统迭代学习控制在处理定形态隧道压力波激扰下的车内压力波动控制问题时受到了限制。另外,根据现有文献,目前对车内压力波动迭代学习控制进行研究时,并没有考虑二氧化碳的约束条件。因此,为同时保证车内压力舒适性与车内新鲜空气量的需求,本发明研究在定形态隧道压力波激扰下,考虑二氧化碳约束条件的车内压力波动迭代学习控制方法及系统具有一定的意义。
发明内容
为了能够同时保证车内压力舒适性与车内新鲜空气量的需求,本发明提供一种二氧化碳约束下的车内压力波动迭代学习控制方法及系统。
本发明的一种二氧化碳约束下的车内压力波动迭代学习控制方法,包括以下步骤:
步骤1:初始化:确定二氧化碳体积浓度限值、车内压力1s变化率限值以及期望车内压力舒适性指标。
步骤2:实时检测车内二氧化碳浓度。
步骤3:判断车内二氧化碳浓度是否大于限值,若是,则开启换气风道,使压力保护阀处于全开状态;若否,则判断车内二氧化碳浓度是否大于限值的97%,若否,则执行车内压力控制;若是,则获取车内压力信号。
步骤4:将获得的车内压力信号进行计算,得到车内压力1s变化率。
步骤5:判断车内压力1s变化率是否大于限值,若否,则开启换气风道,使压力保护阀处于全开状态;若是,则执行车内压力控制。
步骤6:判断是否离开隧道,若否,则重新进行步骤2—步骤5;若是,则进行变幅度处理。
步骤7:计算控制误差。
控制误差为期望车内压力舒适性指标与实际输出的第j次车内压力舒适性指标的差,即ej(k)=Jd(k)-Jj(k);
式中,ej(k)为控制误差,Jd(k)为期望车内压力舒适性指标,Jj(k)为实际输出的第j次车内压力舒适性指标。
步骤8:变尺度处理。
为处理变尺度问题,在控制误差末尾进行补零操作,进而将变尺度问题转化为定尺度问题。
步骤9:迭代学习控制算法修正风道阀门开度控制量;包括初始控制量的确定、迭代学习律的设计以及性能指标的确定。
步骤10:判断迭代是否结束,若否,则重新进行步骤2—步骤9;若是,则结束。
进一步的,步骤9迭代学习控制算法修正风道阀门开度控制量具体如下:
S91:初始控制量的确定。
初始控制量u1(k)=100%,即风道压力保护阀处于全开状态。
S92:迭代学习律的设计。
将P型迭代学习律作为迭代学习控制算法的学习律,且由于风道阀门开度控制量的范围为0%至100%,因此对控制量进行如下处理,具体表达式如下:
uj(k)=max{0,min[uj-1(k)+KPej-1(k),100]}
式中,uj(k)为第j次控制量;uj-1(k)为第j-1次控制量;Kp为比例增益系数;ej-1(k)为第j-1次误差信号。
S93:性能指标的确定。
将车内压力1s变化率最大值作为迭代学习控制的性能指标,表达式如下:
Dpm(j)=max[Dpj(k)]
式中,Dpm(j)为第j次迭代的车内压力1s变化率最大值;Dpj(k)为第j次迭代的车内压力1s变化率。
本发明的一种二氧化碳约束下的车内压力波动迭代学习控制系统,包括:
检测模块:用于获取车内压力信号以及车内二氧化碳浓度信号。
信号采集与处理模块:用于对车内压力信号以及车内二氧化碳浓度信号进行采样,然后将车内压力信号以及车内二氧化碳浓度信号转换成数字信号,并输出转换后的车内压力信号以及车内二氧化碳浓度信号。
评价模块:用于对车内压力信号以及车内二氧化碳浓度信号进行评价,分别计算得到车内压力1s变化率信号以及车内二氧化碳体积浓度信号,然后根据车内压力1s变化率信号计算得到车内压力舒适性指标。
车内压力波动控制模块:在二氧化碳浓度的约束条件下,通过P型迭代学习控制算法计算得到换气风道阀门控制量的数字信号。
输出模块:用于将换气风道阀门控制量的数字信号转换成换气风道阀门控制量的模拟信号并输出。
车体换气系统模块:用于接收控制信号并对换气风道阀门进行动作,进而控制车内压力以及车内二氧化碳浓度的变化。
进一步的,检测模块具体如下:
压力传感器:用于获取并输出车内压力。
二氧化碳传感器:用于获取并输出车内二氧化碳浓度。
测量电路:用于为压力传感器以及二氧化碳传感器进行供电。
进一步的,信号采集与处理模块具体如下:
滤波处理:用于接收车内压力信号以及车内二氧化碳浓度信号并对其进行滤波处理,以消除频混,得到处理后的车内压力信号以及车内二氧化碳浓度信号。
采样多路开关:将处理后的车内压力信号以及车内二氧化碳浓度信号分别传送到A/D转换器中进行转换,以便计算机能对多路被测信号进行处理。
A/D转换器:用于对处理后的车内压力信号以及车内二氧化碳浓度信号进行采样,然后将车内压力模拟信号以及车内二氧化碳浓度模拟信号转换成数字信号,并输出转换后的车内压力数字信号以及车内二氧化碳浓度数字信号。
采样保持器:在A/D转换过程中能够将车内压力模拟信号以及车内二氧化碳浓度模拟信号的电平保持不变。
进一步的,评价模块具体如下:
气压舒适性评价:对车内压力数字信号进行计算,得到车内压力1s变化率数字信号,进而计算得到车内压力舒适性指标。
二氧化碳体积浓度评价:对车内二氧化碳浓度数字信号进行计算,得到车内二氧化碳体积浓度数字信号。
进一步的,车内压力波动控制模块具体如下:
数据库:对车内压力波动控制系统的历史控制信息进行储存。
变幅度处理:利用车内压力1s变化率,定义车内压力舒适性指标。若实际输出的车内压力1s变化率大于期望车内压力1s变化率限值,则车内压力舒适性指标为当前车内压力1s变化率与期望车内压力1s变化率的差值;若实际输出的车内压力1s变化率小于等于期望车内压力1s变化率限值,则车内压力舒适性指标为0。
控制误差的确定,将期望车内压力舒适性指标与实际输出的车内压力舒适性指标进行比较,计算得到控制误差。
变尺度处理:首先定义隧道压力波的最大时间尺度,即高速列车以最低车速通过隧道时所产生的隧道压力波时间尺度,并将其作为控制量以及控制误差的时间尺度,然后在控制误差末尾进行补零操作,使控制误差时间尺度与最大时间尺度保持一致,最终将变尺度控制误差转化为定尺度控制误差。
迭代学习律的设计:通过利用上一次迭代的控制信号以及控制误差信号,计算得到本次迭代的控制信号,并对控制信号进行了限值处理以及1s时间段内取最小控制信号作为整个1s时间段内的控制信号的处理。
进一步的,输出模块具体如下:
隔离装置:能够保证电量隔离。
D/A转换器:用于将换气风道阀门控制数字信号转换成换气风道阀门控制模拟信号,并输出转换后的换气风道阀门控制模拟信号。
控制保持器:在D/A转换过程中能够将换气风道阀门控制模拟信号的电平保持不变。
控制多路开关:将换气风道阀门控制模拟信号分别传送到各个新风道阀门以及废排道阀门中,以便执行器进行动作。
进一步的,车体换气系统模块具体如下:
换气风道:用于进行车内外气体交换。
风道阀门:作为执行器用于接收控制模拟信号进而产生相应的动作。
车体缝隙:车体在制造过程中存在的焊缝、线管缝以及由于车体气密性能下降后,存在的车体气密缝隙等,车内外气体会通过车体缝隙进行交换。
本发明的有益技术效果为:
(1)本发明设计的变幅度以及变尺度处理,为传统迭代学习控制用来解决定形态隧道压力波激扰下的车内压力波动迭代学习控制问题提供了可能。
(2)本发明设计的在二氧化碳约束下的车内压力波动迭代学习控制方法,将换气风道开闭时刻与隧道压力波特性进行匹配,能够很好地保证车内压力变化率在限值范围内,且能够保证车内具有充足的新风量,即能够同时保证车内压力舒适性与车内新鲜空气量的需求,因此具有更好的控制性能。
(3)本发明设计的在二氧化碳约束下的车内压力波动迭代学习控制系统,能够很好地通过控制风道阀门开度,来抑制车内压力波动,且能够兼顾车内新风量的需求,具有很强的工程实用性。
附图说明
图1为本发明的一种二氧化碳约束下的车内压力波动迭代学习控制方法流程图。
图2为本发明的变尺度处理示意图(nj>nj-1)。
图3为本发明的变尺度处理示意图(nj<nj-1)。
图4为本发明的二氧化碳约束下的车内压力波动迭代学习控制系统结构框图。
图5为本发明的二氧化碳约束下的车内压力波动迭代学习控制系统控制框图。
具体实施方式
下面结合附图和具体实施方法对本发明作进一步说明。
本发明的一种二氧化碳约束下的车内压力波动迭代学习控制方法如图1所示,包括以下步骤:
步骤1:初始化。
开始执行车内压力波动控制方法后,需要进行初始化,主要包括确定二氧化碳体积浓度限值、车内压力1s变化率限值以及期望车内压力舒适性指标。其中,二氧化碳体积浓度限值为0.15%,车内压力1s变化率限值为200Pa/s,期望车内压力舒适性指标为0。
步骤2:实时检测车内二氧化碳浓度。
步骤3:判断车内二氧化碳浓度是否大于限值,若是,则开启换气风道,使压力保护阀处于全开状态;若否,则判断车内二氧化碳浓度是否大于限值的97%,若否,则执行车内压力控制;若是,则获取车内压力信号。
车内二氧化碳体积浓度只要大于限值,便开启换气风道;若没有大于限值,则需要判断车内二氧化碳体积浓度是否大于限值的97%,这样可以保证在车内二氧化碳体积浓度达到0.15%前有一段时间,并在这段时间内找到车内压力1s变化率小于限值的时刻,然后开启换气风道,可以尽可能降低由于开启换气风道所引起的较大车内压力波动。
步骤4:将获得的车内压力信号进行计算,得到车内压力1s变化率。
车内压力1s变化率dpj(k)为1s时间段内的车内压力最大值与车内压力最小值的差值,具体公式如下:
dpj(k)=maxτ∈Ω[Pi(τ)]-minτ∈Ω[Pi(τ)]
式中,Ω=(ττ=k,k+1,k+2,...,k+fs),且采样频率fs=1000;Pi(τ)为第τ时刻的车内压力。
根据车内压力1s变化率公式可知,在计算车内压力1s变化率时,需要当前时刻以及后1秒时间内的车内压力波动数据,而在实际运行过程中,无法预先得到后1s时间内的车内压力波动数据,因此对当前时刻的车内压力1s变化率进行了改进,即在进入隧道的前1s时间内,车内压力1s变化率定义为0;在1s到离开隧道的时间内,k时刻的车内压力1s变化率定义为k-fs时刻的车内压力1s变化率,具体公式如下:
式中,Dpj(k)为改进后的车内压力1s变化率;dpj(k-fs)为k-fs时刻的车内压力1s变化率,且采样频率fs=1000。
步骤5:判断车内压力1s变化率是否大于限值,若否,则开启换气风道,使压力保护阀处于全开状态;若是,则执行车内压力控制。
若车内压力1s变化率小于限值,则在车内二氧化碳体积浓度小于限值97%的前提下,找到了车内压力符合耳膜舒适度准则的时刻,在此时刻开启换气风道可以降低车内压力发生较大波动的可能性。若车内压力1s变化率大于限值,则需要按照迭代学习控制算法获得的控制量执行控制,以抑制车内压力波动,提高车内气压舒适性。
步骤6:判断是否离开隧道,若否,则重新进行步骤2—步骤5;若是,则进行变幅度处理。
若高速列车离开隧道,即完成了一次迭代过程。由于在定形态隧道压力波的激扰下,导致每次迭代的隧道压力波在幅度方面均不固定,进而产生的车内压力也是不固定的,如果将其作为控制目标是不符合传统迭代学习控制对固定目标的要求的,因此需要解决变幅度问题。
只要车内压力1s变化率小于等于车内压力1s变化率限值,则乘客就会感到舒适,即乘客感受舒适是不变的目标,因此利用车内压力1s变化率,定义车内压力舒适性指标,来处理变幅度问题。若车内压力1s变化率大于期望车内压力1s变化率限值,则车内压力舒适性指标定义为当前车内压力1s变化率与期望车内压力1s变化率的差值;若车内压力1s变化率小于等于期望车内压力1s变化率限值,则车内压力舒适性指标定义为0,具体公式如下:
式中,Jj(k)为实际输出的第j次车内压力舒适性指标,Dpd(k)为期望车内压力1s变化率;Dpj(k)为实际输出的第j次车内压力1s变化率。
步骤7:计算控制误差。
控制误差为期望车内压力舒适性指标与实际输出的第j次车内压力舒适性指标的差,即ej(k)=Jd(k)-Jj(k);
式中,ej(k)为控制误差,Jd(k)为期望车内压力舒适性指标,Jj(k)为实际输出的第j次车内压力舒适性指标。
步骤8:变尺度处理。
由于在定形态隧道压力波的激扰下,导致每次迭代的隧道压力波的时间尺度不同,进而产生的车内压力以及控制误差在时间尺度上也是不同的,因此需要进行变尺度处理,才能应用传统迭代学习控制算法。
采用补零的思想来处理变尺度问题。首先定义隧道压力波的最大时间尺度(即高速列车以最低车速通过隧道时所产生的隧道压力波时间尺度),并将其作为控制量以及控制误差的时间尺度。如图2所示,当本次迭代周期的时间尺度大于上次迭代周期的时间尺度时,即nj>nj-1,对于上次迭代停止前的时间段[0,nj-1],按照实际的控制误差进行本次控制量的更新;对于上次迭代停止后的时间段[nj-1,nm],则不进行控制量的更新,即将迭代停止后的时间段内的控制误差作为0来处理。如图3所示,当本次迭代周期的时间尺度小于上次迭代周期的时间尺度,即nj<nj-1,对于上次迭代停止前的时间段[0,nj-1],按照实际的控制误差进行本次控制量的更新,而[nj,nj-1]时间段内的实际控制误差并没有应用到本次迭代过程中;对于上次迭代停止后的时间段[nj-1,nm],将这段时间内的控制误差作为0来处理。
最终通过以上操作,能够将变尺度问题转化为定尺度问题。
步骤9:迭代学习控制算法修正风道阀门开度控制量;包括初始控制量的确定、迭代学习律的设计以及性能指标的确定。
S91:初始控制量的确定。
初始控制量u1(k)=100%,即风道压力保护阀处于全开状态。
S92:迭代学习律的设计。
将P型迭代学习律作为迭代学习控制算法的学习律,且由于风道阀门开度控制量的范围为0%至100%,因此对控制量进行如下处理,具体表达式如下:
uj(k)=max{0,min[uj-1(k)+KPej-1(k),100]}
式中,uj(k)为第j次控制量;uj-1(k)为第j-1次控制量;Kp为比例增益系数;ej-1(k)为第j-1次误差信号。
S93:性能指标的确定。
将车内压力1s变化率最大值作为迭代学习控制的性能指标,表达式如下:
Dpm(j)=max[Dpj(k)]
式中,Dpm(j)为第j次迭代的车内压力1s变化率最大值;Dpj(k)为第j次迭代的车内压力1s变化率。
步骤10:判断迭代是否结束,若否,则重新进行步骤2—步骤9;若是,则结束。
本发明的一种二氧化碳约束下的车内压力波动迭代学习控制系统如图4所示,包括:
(1)检测模块:用于获取车内压力信号以及车内二氧化碳浓度信号。
检测模块具体如下:
压力传感器:用于获取并输出车内压力。
二氧化碳传感器:用于获取并输出车内二氧化碳浓度。
测量电路:用于为压力传感器以及二氧化碳传感器进行供电。
(2)信号采集与处理模块:用于对车内压力信号以及车内二氧化碳浓度信号进行采样,然后将车内压力信号以及车内二氧化碳浓度信号转换成数字信号,并输出转换后的车内压力信号以及车内二氧化碳浓度信号。
信号采集与处理模块具体如下:
滤波处理:用于接收车内压力信号以及车内二氧化碳浓度信号并对其进行滤波处理,以消除频混,得到处理后的车内压力信号以及车内二氧化碳浓度信号。
采样多路开关:将处理后的车内压力信号以及车内二氧化碳浓度信号分别传送到A/D转换器中进行转换,以便计算机能对多路被测信号进行处理。
A/D转换器:用于对处理后的车内压力信号以及车内二氧化碳浓度信号进行采样,然后将车内压力模拟信号以及车内二氧化碳浓度模拟信号转换成数字信号,并输出转换后的车内压力数字信号以及车内二氧化碳浓度数字信号。
采样保持器:在A/D转换过程中能够将车内压力模拟信号以及车内二氧化碳浓度模拟信号的电平保持不变。
(3)评价模块:用于对车内压力信号以及车内二氧化碳浓度信号进行评价,分别计算得到车内压力1s变化率信号以及车内二氧化碳体积浓度信号,然后根据车内压力1s变化率信号计算得到车内压力舒适性指标。
评价模块具体如下:
气压舒适性评价:对车内压力数字信号进行计算,得到车内压力1s变化率数字信号,进而计算得到车内压力舒适性指标。
二氧化碳体积浓度评价:对车内二氧化碳浓度数字信号进行计算,得到车内二氧化碳体积浓度数字信号。
(4)车内压力波动控制模块:在二氧化碳浓度的约束条件下,通过P型迭代学习控制算法计算得到换气风道阀门控制量的数字信号。
车内压力波动控制模块具体如下:
数据库:对车内压力波动控制系统的历史控制信息进行储存。
变幅度处理:利用车内压力1s变化率,定义车内压力舒适性指标。若实际输出的车内压力1s变化率大于期望车内压力1s变化率限值,则车内压力舒适性指标为当前车内压力1s变化率与期望车内压力1s变化率的差值;若实际输出的车内压力1s变化率小于等于期望车内压力1s变化率限值,则车内压力舒适性指标为0。
控制误差的确定,将期望车内压力舒适性指标与实际输出的车内压力舒适性指标进行比较,计算得到控制误差。
变尺度处理:首先定义隧道压力波的最大时间尺度,即高速列车以最低车速通过隧道时所产生的隧道压力波时间尺度,并将其作为控制量以及控制误差的时间尺度,然后在控制误差末尾进行补零操作,使控制误差时间尺度与最大时间尺度保持一致,最终将变尺度控制误差转化为定尺度控制误差。
迭代学习律的设计:通过利用上一次迭代的控制信号以及控制误差信号,计算得到本次迭代的控制信号,并对控制信号进行了限值处理以及1s时间段内取最小控制信号作为整个1s时间段内的控制信号的处理。
(5)输出模块:用于将换气风道阀门控制量的数字信号转换成换气风道阀门控制量的模拟信号并输出。
输出模块具体如下:
隔离装置:能够保证电量隔离。
D/A转换器:用于将换气风道阀门控制数字信号转换成换气风道阀门控制模拟信号,并输出转换后的换气风道阀门控制模拟信号。
控制保持器:在D/A转换过程中能够将换气风道阀门控制模拟信号的电平保持不变。
控制多路开关:将换气风道阀门控制模拟信号分别传送到各个新风道阀门以及废排道阀门中,以便执行器进行动作。
(6)车体换气系统模块:用于接收控制信号并对换气风道阀门进行动作,进而控制车内压力以及车内二氧化碳浓度的变化。
车体换气系统模块具体如下:
换气风道:用于进行车内外气体交换。
风道阀门:作为执行器用于接收控制模拟信号进而产生相应的动作。
车体缝隙:车体在制造过程中存在的焊缝、线管缝以及由于车体气密性能下降后,存在的车体气密缝隙等,车内外气体会通过车体缝隙进行交换。
将各个模块进行连接,最终搭建完成一种二氧化碳约束下的车内压力波动迭代学习控制系统,其控制系统方框图如图5所示。通过二氧化碳传感器采集到车内二氧化碳信号,并对二氧化碳信号进行二氧化碳体积浓度评价,然后将其作为控制器的一种约束条件。同时通过压力传感器采集到车内压力信号,并对车内压力信号进行气压舒适性评价,计算得到车内压力1s变化率,进一步将计算得到的车内压力舒适性指标作为反馈信号,并对期望车内压力舒适性指标与反馈信号进行比较,得到误差信号,然后利用本发明设计的二氧化碳约束下的车内压力波动迭代学习控制方法产生新的控制信号,通过调节车体换气系统模块中的风道压力保护阀开度,影响车内外气体交换,进而改变车内压力波动情况。最终通过合理选取初始化参数以及迭代学习律参数,使得实际输出的车内压力1s变化率符合车内压力1s变化率限值,同时保证了车内新鲜空气量的需求,从而形成一个闭环的二氧化碳约束下的车内压力波动迭代学习控制系统。
Claims (9)
1.一种二氧化碳约束下的车内压力波动迭代学习控制方法,其特征在于,包括以下步骤:
步骤1:初始化:确定二氧化碳体积浓度限值、车内压力1s变化率限值以及期望车内压力舒适性指标;
步骤2:实时检测车内二氧化碳浓度;
步骤3:判断车内二氧化碳浓度是否大于限值,若是,则开启换气风道,使压力保护阀处于全开状态;若否,则判断车内二氧化碳浓度是否大于限值的97%,若否,则执行车内压力控制;若是,则获取车内压力信号;
步骤4:将获得的车内压力信号进行计算,得到车内压力1s变化率;
步骤5:判断车内压力1s变化率是否大于限值,若否,则开启换气风道,使压力保护阀处于全开状态;若是,则执行车内压力控制;
步骤6:判断是否离开隧道,若否,则重新进行步骤2—步骤5;若是,则进行变幅度处理;
步骤7:计算控制误差;
控制误差为期望车内压力舒适性指标与实际输出的第j次车内压力舒适性指标的差,即ej(k)=Jd(k)-Jj(k);
式中,ej(k)为控制误差,Jd(k)为期望车内压力舒适性指标,Jj(k)为实际输出的第j次车内压力舒适性指标;
步骤8:变尺度处理;
为处理变尺度问题,在控制误差末尾进行补零操作,进而将变尺度问题转化为定尺度问题;
首先定义隧道压力波的最大时间尺度,即高速列车以最低车速通过隧道时所产生的隧道压力波时间尺度,并将其作为控制量以及控制误差的时间尺度,然后在控制误差末尾进行补零操作,使控制误差时间尺度与最大时间尺度保持一致,最终将变尺度控制误差转化为定尺度控制误差;
步骤9:迭代学习控制算法修正风道阀门开度控制量;包括初始控制量的确定、迭代学习律的设计以及性能指标的确定;
步骤10:判断迭代是否结束,若否,则重新进行步骤2—步骤9;若是,则结束。
2.根据权利要求1所述的一种二氧化碳约束下的车内压力波动迭代学习控制方法,其特征在于,所述步骤9迭代学习控制算法修正风道阀门开度控制量具体如下:
S91:初始控制量的确定;
初始控制量u1(k)=100%,即风道压力保护阀处于全开状态;
S92:迭代学习律的设计;
将P型迭代学习律作为迭代学习控制算法的学习律,且由于风道阀门开度控制量的范围为0%至100%,因此对控制量进行如下处理,具体表达式如下:
uj(k)=max{0,min[uj-1(k)+KPej-1(k),100]}
式中,uj(k)为第j次控制量;uj-1(k)为第j-1次控制量;Kp为比例增益系数;ej-1(k)为第j-1次误差信号;
S93:性能指标的确定;
将车内压力1s变化率最大值作为迭代学习控制的性能指标,表达式如下:
Dpm(j)=max[Dpj(k)]
式中,Dpm(j)为第j次迭代的车内压力1s变化率最大值;Dpj(k)为第j次迭代的车内压力1s变化率。
3.一种执行如权利要求1所述的二氧化碳约束下的车内压力波动迭代学习控制方法的车内压力波动迭代学习控制系统,其特征在于,包括:
检测模块:用于获取车内压力信号以及车内二氧化碳浓度信号;
信号采集与处理模块:用于对车内压力信号以及车内二氧化碳浓度信号的采样,然后将车内压力信号以及车内二氧化碳浓度信号转换成数字信号,并输出转换后的车内压力信号以及车内二氧化碳浓度信号;
评价模块:用于对车内压力信号以及车内二氧化碳浓度信号进行评价,分别计算得到车内压力1s变化率信号以及车内二氧化碳体积浓度信号,然后根据车内压力1s变化率信号计算得到车内压力舒适性指标;
车内压力波动控制模块:在二氧化碳浓度的约束条件下,通过P型迭代学习控制算法计算得到换气风道阀门控制量的数字信号;
输出模块:用于将换气风道阀门控制量的数字信号转换成换气风道阀门控制量的模拟信号并输出;
车体换气系统模块:用于接收控制信号并对换气风道阀门进行动作,进而控制车内压力以及车内二氧化碳浓度的变化。
4.根据权利要求3所述的一种车内压力波动迭代学习控制系统,其特征在于,所述检测模块具体如下:
压力传感器:用于获取并输出车内压力;
二氧化碳传感器:用于获取并输出车内二氧化碳浓度;
测量电路:用于为压力传感器以及二氧化碳传感器进行供电。
5.根据权利要求3所述的一种车内压力波动迭代学习控制系统,其特征在于,所述信号采集与处理模块具体如下:
滤波处理:用于接收车内压力信号以及车内二氧化碳浓度信号并对其进行滤波处理,以消除频混,得到处理后的车内压力信号以及车内二氧化碳浓度信号;
采样多路开关:将处理后的车内压力信号以及车内二氧化碳浓度信号分别传送到A/D转换器中进行转换,以便计算机能对多路被测信号进行处理;
A/D转换器:用于对处理后的车内压力信号以及车内二氧化碳浓度信号的采样,然后将车内压力模拟信号以及车内二氧化碳浓度模拟信号转换成数字信号,并输出转换后的车内压力数字信号以及车内二氧化碳浓度数字信号;
采样保持器:在A/D转换过程中能够将车内压力模拟信号以及车内二氧化碳浓度模拟信号的电平保持不变。
6.根据权利要求3所述的一种车内压力波动迭代学习控制系统,其特征在于,所述评价模块具体如下:
气压舒适性评价:对车内压力数字信号进行计算,得到车内压力1s变化率数字信号,进而计算得到车内压力舒适性指标;
二氧化碳体积浓度评价:对车内二氧化碳浓度数字信号进行计算,得到车内二氧化碳体积浓度数字信号。
7.根据权利要求3所述的一种车内压力波动迭代学习控制系统,其特征在于,所述车内压力波动控制模块具体如下:
数据库:对车内压力波动控制系统的历史控制信息进行储存;
变幅度处理:利用车内压力1s变化率,定义车内压力舒适性指标;若实际输出的车内压力1s变化率大于期望车内压力1s变化率限值,则车内压力舒适性指标为当前车内压力1s变化率与期望车内压力1s变化率的差值;若实际输出的车内压力1s变化率小于等于期望车内压力1s变化率限值,则车内压力舒适性指标为0;
控制误差的确定,将期望车内压力舒适性指标与实际输出的车内压力舒适性指标进行比较,计算得到控制误差;
变尺度处理:首先定义隧道压力波的最大时间尺度,即高速列车以最低车速通过隧道时所产生的隧道压力波时间尺度,并将其作为控制量以及控制误差的时间尺度,然后在控制误差末尾进行补零操作,使控制误差时间尺度与最大时间尺度保持一致,最终将变尺度控制误差转化为定尺度控制误差;
迭代学习律的设计:通过利用上一次迭代的控制信号以及控制误差信号,计算得到本次迭代的控制信号,并对控制信号进行了限值处理以及1s时间段内取最小控制信号作为整个1s时间段内的控制信号的处理。
8.根据权利要求3所述的一种车内压力波动迭代学习控制系统,其特征在于,所述输出模块具体如下:
隔离装置:能够保证电量隔离;
D/A转换器:用于将换气风道阀门控制数字信号转换成换气风道阀门控制模拟信号,并输出转换后的换气风道阀门控制模拟信号;
控制保持器:在D/A转换过程中能够将换气风道阀门控制模拟信号的电平保持不变;
控制多路开关:将换气风道阀门控制模拟信号分别传送到各个新风道阀门以及废排道阀门中,以便执行器进行动作。
9.根据权利要求3所述的一种车内压力波动迭代学习控制系统,其特征在于,所述车体换气系统模块具体如下:
换气风道:用于进行车内外气体交换;
风道阀门:作为执行器用于接收控制模拟信号进而产生相应的动作;
车体缝隙:车体在制造过程中存在的焊缝、线管缝以及由于车体气密性能下降后,存在的车体气密缝隙等,车内外气体会通过车体缝隙进行交换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317343.5A CN114660937B (zh) | 2022-03-29 | 2022-03-29 | 二氧化碳约束下的车内压力波动迭代学习控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317343.5A CN114660937B (zh) | 2022-03-29 | 2022-03-29 | 二氧化碳约束下的车内压力波动迭代学习控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114660937A CN114660937A (zh) | 2022-06-24 |
CN114660937B true CN114660937B (zh) | 2023-04-14 |
Family
ID=82033134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210317343.5A Active CN114660937B (zh) | 2022-03-29 | 2022-03-29 | 二氧化碳约束下的车内压力波动迭代学习控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660937B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01243102A (ja) * | 1988-03-25 | 1989-09-27 | Hitachi Ltd | プロセス制御方法 |
GB9106955D0 (en) * | 1991-05-17 | 1991-05-22 | Norm Pacific Automat Corp | Interior atmosphere control system |
JPH04372456A (ja) * | 1991-06-20 | 1992-12-25 | Kawasaki Heavy Ind Ltd | 車両用換気装置 |
JPH0566806A (ja) * | 1992-01-31 | 1993-03-19 | Hitachi Ltd | プロセス制御方法および装置 |
JPH09311617A (ja) * | 1996-05-23 | 1997-12-02 | Tokyo Met Gov Chikatetsu Kensetsu Kk | 地下空間における空気調和・換気シミュレータ |
CN102289009A (zh) * | 2011-08-22 | 2011-12-21 | 西南交通大学 | 便携式广义舒适度检测系统 |
CN102289008A (zh) * | 2011-08-22 | 2011-12-21 | 西南交通大学 | 一种广义舒适度检测系统 |
AU2014227464A1 (en) * | 2008-03-17 | 2014-10-09 | Uop Llc | Production of transportation fuel from renewable feedstocks |
CN108248623A (zh) * | 2017-12-27 | 2018-07-06 | 河南辉煌信通软件有限公司 | 一种火车车厢内空气检测及通风系统 |
CN109015661A (zh) * | 2018-09-29 | 2018-12-18 | 重庆固高科技长江研究院有限公司 | 工业机器人迭代学习修正轨迹误差的方法 |
CN109782585A (zh) * | 2019-01-30 | 2019-05-21 | 成都天佑路航轨道交通科技有限公司 | 基于大数据的车内压力波动阀门风机协同主动控制系统 |
-
2022
- 2022-03-29 CN CN202210317343.5A patent/CN114660937B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01243102A (ja) * | 1988-03-25 | 1989-09-27 | Hitachi Ltd | プロセス制御方法 |
GB9106955D0 (en) * | 1991-05-17 | 1991-05-22 | Norm Pacific Automat Corp | Interior atmosphere control system |
JPH04372456A (ja) * | 1991-06-20 | 1992-12-25 | Kawasaki Heavy Ind Ltd | 車両用換気装置 |
JPH0566806A (ja) * | 1992-01-31 | 1993-03-19 | Hitachi Ltd | プロセス制御方法および装置 |
JPH09311617A (ja) * | 1996-05-23 | 1997-12-02 | Tokyo Met Gov Chikatetsu Kensetsu Kk | 地下空間における空気調和・換気シミュレータ |
AU2014227464A1 (en) * | 2008-03-17 | 2014-10-09 | Uop Llc | Production of transportation fuel from renewable feedstocks |
CN102289009A (zh) * | 2011-08-22 | 2011-12-21 | 西南交通大学 | 便携式广义舒适度检测系统 |
CN102289008A (zh) * | 2011-08-22 | 2011-12-21 | 西南交通大学 | 一种广义舒适度检测系统 |
CN108248623A (zh) * | 2017-12-27 | 2018-07-06 | 河南辉煌信通软件有限公司 | 一种火车车厢内空气检测及通风系统 |
CN109015661A (zh) * | 2018-09-29 | 2018-12-18 | 重庆固高科技长江研究院有限公司 | 工业机器人迭代学习修正轨迹误差的方法 |
CN109782585A (zh) * | 2019-01-30 | 2019-05-21 | 成都天佑路航轨道交通科技有限公司 | 基于大数据的车内压力波动阀门风机协同主动控制系统 |
Non-Patent Citations (4)
Title |
---|
刘杰.高速列车气动作用对乘坐舒适性的影响研究.《中国博士学位论文全文数据库工程科技II辑》.2014,(第undefined期),全文. * |
杜雅娟.高速列车车内压力波动特性仿真研究.《中国优秀硕士学位论文全文数据库工程科技II辑》.2012,(第undefined期),全文. * |
杨露.多步k最近邻初值寻优的气压模拟系统遗忘迭代学习控制.《控制理论与应用》.2020,第第38卷卷(第第38卷期),全文. * |
杨露.高速列车车内压力波动迭代学习控制研究.《中国优秀硕士学位论文全文数据库工程科技II辑》.2022,(第undefined期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114660937A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A nonlinear control method based on ANFIS and multiple models for a class of SISO nonlinear systems and its application | |
CN113022384B (zh) | 一种基于凸优化的燃料电池汽车能量管理方法 | |
Ye et al. | A robust adaptive chattering-free sliding mode control strategy for automotive electronic throttle system via genetic algorithm | |
CN114660937B (zh) | 二氧化碳约束下的车内压力波动迭代学习控制方法及系统 | |
CN111244507A (zh) | 一种车载氢系统的控制方法、装置及车载氢系统 | |
CN109779736B (zh) | 一种发动机电控硅油风扇的节能优化控制方法及系统 | |
CN112680501A (zh) | 基于微生物的列车车厢空气调控方法、系统及存储介质 | |
CN110259590B (zh) | 复杂工况下hcci发动机燃烧正时控制系统 | |
Donateo et al. | Real time estimation of emissions in a diesel vehicle with neural networks | |
Lam et al. | Should you derive, or let the data drive? An optimization framework for hybrid first-principles data-driven modeling | |
CN113299951A (zh) | 一种质子交换膜燃料电池阴极压力及流量观测方法 | |
CN113640633A (zh) | 一种气体绝缘组合电器设备故障定位方法 | |
Camacho et al. | Bilinear modelling of batch processes. Part II: a comparison of PLS soft‐sensors | |
CN116373846A (zh) | 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法 | |
CN108538301A (zh) | 一种基于神经网络音频技术的智能数码乐器 | |
CN103761567A (zh) | 一种基于贝叶斯估计的小波神经网络权值初始化方法 | |
CN111707945A (zh) | 一种质子交换膜燃料电池内部状态观测方法 | |
CN108332362B (zh) | 基于向量化分析的暖通循环水系统节能控制系统及方法 | |
CN113589690B (zh) | 协同自适应巡航控制鲁棒容错方法及装置 | |
CN110329028B (zh) | 基于公路等级识别的混合电磁悬架模式切换系统及方法 | |
Xie et al. | Using sensors data and emissions information to diagnose engine’s faults | |
CN104317193A (zh) | 一种基于隐马尔科夫模型的pid控制参数离线整定方法 | |
CN112180740A (zh) | 火电机组工况寻优模型获取方法及系统、控制系统 | |
CN113110105B (zh) | 一种基于逆补偿和扰动触发的压电执行器控制方法 | |
CN112648088B (zh) | 发动机的空气系统控制方法及装置、空气系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |