CN103019267A

CN103019267A - 高速列车anfis建模与运行速度预测控制方法

Info

Publication number: CN103019267A
Application number: CN2012105245203A
Authority: CN
Inventors: 杨辉; 付雅婷; 李中奇; 张坤鹏; 刘杰民
Original assignee: East China Jiaotong University
Current assignee: East China Jiaotong University
Priority date: 2012-12-10
Filing date: 2012-12-10
Publication date: 2013-04-03
Anticipated expiration: 2032-12-10
Also published as: CN103019267B

Abstract

一种基于ANFIS模型的高速列车广义预测控制方法，所述方法根据采集的高速列车运行过程数据，利用数据驱动建模方法，建立高速列车运行过程ANFIS模型，采用减法聚类确定模糊模型规则数和初始参数，并采用反向传播算法和最小二乘法优化模糊模型参数。本发明提出基于ANFIS模型的动车组运行速度预测跟踪控制方法，多步预测，循环滚动，得到准确的控制量，从而改变了凭经验调节的盲目性，使高速列车运行速度精确跟踪目标曲线，解决了大滞后问题，实现列车正点、安全、有效运行，保证了乘客安全。本发明方法简单实用，可实现高速列车自动驾驶控制。本发明适用于高速列车运行过程在线监测和自动控制。

Description

高速列车ANFIS建模与运行速度预测控制方法

技术领域

本发明涉及高速列车运行过程建模与速度预测跟踪控制方法，属高速列车运行过程监测与自动控制技术领域。

背景技术

随着社会的快速发展，运输量不断增加，为加强现代综合运输体系的建设，根据《国民经济和社会发展第十二个五年规划纲要》，我国需大力发展高速铁路，基本建成国家快速铁路网。高速列车是高速铁路技术体系的核心，是国家相关高技术发展水平、相关制造能力、自主创新能力以及国家核心竞争力的综合体现，对于具有高速度、高密度运营特性的高速铁路来说，高速列车运行安全是重中之重，然而高速列车作为一个由复杂技术装备组成、在复杂环境中运行、完成具有复杂时空分布特征的位移服务的非线性动力学系统，如何对高速列车运行过程建立有效的模型和实施速度跟踪控制，对确保高速列车安全、平稳运行尤为关键。

针对高速列车运行过程的建模，通常采用基于牵引计算和运行阻力经验模型的描述方法，但其无法完整刻画动车组复杂多变的动态行为；多模型方法可部分解决动车组运行过程建模问题，但在高速列车高速运行时如何在线平稳切换模型仍缺乏有效策略。针对列车运行过程，常用的控制方法有：(1)经典控制算法，主要是PID控制算法。1968 年,伦敦第一条盈利性投入运营的线路——维多利亚线就是运用了该算法，但是PID控制算法无自适应性能力，不能适应复杂控制过程。 (2)智能控制算法。有人提出采用模糊控制方法实现列车自动停车，取得了比PID更好的控制效果； (3)集成智能控制算法。有文献采用模糊神经网络控制实现列车运行过程跟踪，解决模糊控制规则数量多、相互冲突等问题；上述控制方法主要应用在城市轨道交通等普通速度列车，目前还没有应用在高速铁路上。

发明内容

本发明的目的是，对复杂的高速列车运行过程建立有效的自适应神经模糊推理系统（ANFIS）模型描述，基于列车运行过程ANFIS模型，通过预测输出速度和期望输出速度之间的偏差设计性能指标函数，采用广义预测控制方法，实现高速列车的高精度速度跟踪控制。

本发明的技术方案是：本发明根据采集的高速列车运行过程数据，利用数据驱动建模方法，建立高速列车运行过程ANFIS模型，采用减法聚类确定模糊模型规则数和初始参数，并采用反向传播算法和最小二乘法优化模糊模型参数；提出基于ANFIS模型的动车组运行速度预测跟踪控制方法，实现列车安全、高效、正点运行。

本发明基于ANFIS的高速列车运行过程建模步骤为：

1、分析高速列车运行过程的受力情况，如图1所示，其运动过程动力学模型可表示为：

Figure 2012105245203100002DEST_PATH_IMAGE002

(1)

式中，

Figure 2012105245203100002DEST_PATH_IMAGE004

是高速列车运行速度，

是加速度系数，为单位控制力（牵引力/制动力），为单位基本阻力，

Figure 2012105245203100002DEST_PATH_IMAGE012

是阻力系数，公式(1)的差分方程表述为：

Figure 2012105245203100002DEST_PATH_IMAGE014

(2)

2、建立基于ANFIS的高速列车运行过程模型。本发明根据动车组运行过程，采用模糊推理规则进行建模，以高速列车运行过程受力情况的数学方程描述为基础，确定子模型的线性结构，据此设计高速列车运行过程ANFIS模型框架：

Figure 2012105245203100002DEST_PATH_IMAGE016

Figure 2012105245203100002DEST_PATH_IMAGE018

(3)

式中、

Figure 2012105245203100002DEST_PATH_IMAGE022

是输入量，

Figure 2012105245203100002DEST_PATH_IMAGE024

是输出量；

Figure 2012105245203100002DEST_PATH_IMAGE026

为后件参数，

是规则条数；

Figure 2012105245203100002DEST_PATH_IMAGE030

是常数项；

Figure 2012105245203100002DEST_PATH_IMAGE032

是输入量的第个模糊集，本发明采用高斯型函数表示：

Figure 2012105245203100002DEST_PATH_IMAGE036

Figure 2012105245203100002DEST_PATH_IMAGE038

(4)

其中是输入量

和

；前件参数和

Figure 2012105245203100002DEST_PATH_IMAGE044

分别表示隶属函数的中心和宽度。

模糊推理规则(3)可用图2所示的5层ANFIS网络结构获得：

Figure 2012105245203100002DEST_PATH_IMAGE046

(5)

式中

Figure 2012105245203100002DEST_PATH_IMAGE048

(6)

Figure 2012105245203100002DEST_PATH_IMAGE050

(7)

根据(4)-(7)的推导，动车组运行过程模型(5)可重写为：

Figure 2012105245203100002DEST_PATH_IMAGE052

(8)

3、对采集的样本数据进行减法聚类分析，得到最优模糊规则条数

和初始模型前件参数和

，并采用最小二乘法和反向传播算法对模型参数进行辨识优化，得到最优的高速列车运行过程ANFIS模型。

为得到模型(8)，要对模型进行初始化。针对动车组运行过程模型(8)，需要基于输入/输出数据确定模型规则数

及每条规则对应的初始参数

和

，本发明采用减法聚类算法来完成这一过程（聚类的个数对应于模型的规则条数，聚类的中心和半径对应于模型的前件参数）。减法聚类方法是将每个数据点作为可能的聚类中心，并根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性，克服了其它聚类法计算量随着问题的维数按指数增长的不足。聚类中心获得如下：

Figure 2012105245203100002DEST_PATH_IMAGE054

(9)

其中，为输入/输出数据对个数，

Figure 2012105245203100002DEST_PATH_IMAGE058

为聚类中心有效邻域半径，是一个正数。选择密度指标最高值

Figure 2012105245203100002DEST_PATH_IMAGE060

得到第一个聚类中心

Figure 2012105245203100002DEST_PATH_IMAGE062

，余类推。

最后，对模型(8)进行优化，获得最优ANFIS模型。针对模型(8)，在确定了前件参数

和

后，应用输入/输出数据采用最小二乘法即可辨识后件参数

。若有

组输入输出数据对，式(8)则写成：

Figure 2012105245203100002DEST_PATH_IMAGE064

(10)

式中

Figure 2012105245203100002DEST_PATH_IMAGE066

为

Figure 2012105245203100002DEST_PATH_IMAGE068

的矩阵，

为

Figure 2012105245203100002DEST_PATH_IMAGE072

的后件参数向量。可对公式(10)采用最小二乘法辨识得到后件参数

Figure 2012105245203100002DEST_PATH_IMAGE074

，令误差指标函数为

Figure 2012105245203100002DEST_PATH_IMAGE076

，根据最小二乘法原理，要使

Figure 2012105245203100002DEST_PATH_IMAGE078

最小，必有：

Figure 2012105245203100002DEST_PATH_IMAGE080

(11)

从而得到优化的模型后件参数

，

Figure 2012105245203100002DEST_PATH_IMAGE082

，。

固定后件参数

，采用反向传播算法反向学习以调整前件参数

和

。考虑到误差指标函数

Figure 2012105245203100002DEST_PATH_IMAGE086

，

Figure 2012105245203100002DEST_PATH_IMAGE088

是

时刻的当前输出；是期望输出。校正算法如下：

Figure 2012105245203100002DEST_PATH_IMAGE094

(12)

其中学习速率

Figure 2012105245203100002DEST_PATH_IMAGE096

和

Figure 2012105245203100002DEST_PATH_IMAGE098

可以通过实验选择得到。

4、高速列车速度跟踪控制设计：

本发明提出基于ANFIS模型的广义预测控制方法来实现高速列车的高精度速度跟踪控制，其原理如图3所示。整个控制过程将预测输出速度与目标函数给出的期望输出速度

Figure 2012105245203100002DEST_PATH_IMAGE100

之间的误差反馈给广义预测控制器，经过具体计算获得并输出控制量

，从而实现列车速度跟踪。控制律获得过程为：

建模过程得到的公式(5)可描述为受控自回归积分滑动平均过程模型(Controlled Auto-Regressive Integrated Moving Average, CARIMA)形式

(13)

为了获得控制律，需最小化以下性能指标函数：

Figure 2012105245203100002DEST_PATH_IMAGE104

(14)

式中，

Figure 2012105245203100002DEST_PATH_IMAGE106

为未来

Figure 2012105245203100002DEST_PATH_IMAGE108

时刻的模型实际预测输出，

Figure 2012105245203100002DEST_PATH_IMAGE110

为未来

时刻的期望输出；

Figure 2012105245203100002DEST_PATH_IMAGE112

为最小输出长度，一般

Figure 2012105245203100002DEST_PATH_IMAGE114

；为预测长度；

Figure 2012105245203100002DEST_PATH_IMAGE118

为控制长度，且有

Figure 2012105245203100002DEST_PATH_IMAGE120

；；

Figure 2012105245203100002DEST_PATH_IMAGE124

为控制加权系数，约束控制量。引入Diophantine方程：

Figure 2012105245203100002DEST_PATH_IMAGE126

(15)

Figure 2012105245203100002DEST_PATH_IMAGE128

(16)

Figure 2012105245203100002DEST_PATH_IMAGE130

(17)

由(13)、(15)和(16)可获得：

Figure 2012105245203100002DEST_PATH_IMAGE132

(18)

当最优实际预测估计输出

Figure 2012105245203100002DEST_PATH_IMAGE134

(19)

时，性能指标函数取得最小值。

将式(14)写成矩阵形式：

Figure 2012105245203100002DEST_PATH_IMAGE138

(20)

将式(17)代入式(18)中，矩阵形式可表示为：

Figure 2012105245203100002DEST_PATH_IMAGE142

(21)

式(21)中，右边第一项

Figure 2012105245203100002DEST_PATH_IMAGE144

为零状态预测，第二、三项

Figure 2012105245203100002DEST_PATH_IMAGE146

、

Figure 2012105245203100002DEST_PATH_IMAGE148

为零输入预测，这三项组成最优预测估计输出：

Figure 2012105245203100002DEST_PATH_IMAGE150

(22)

将式(22)带入 (20)中，由

Figure 2012105245203100002DEST_PATH_IMAGE152

得到最优控制律：

Figure 2012105245203100002DEST_PATH_IMAGE154

(23)

从而滚动优化可获得第

拍的控制为

Figure 2012105245203100002DEST_PATH_IMAGE156

(24)

式中，

Figure 2012105245203100002DEST_PATH_IMAGE158

为

Figure 2012105245203100002DEST_PATH_IMAGE160

的第一行。

综上所述，对于复杂的非线性高速列车运行过程，建立能以任意精度逼近任一闭子集实连续函数的ANFIS模型，提出基于ANFIS模型的广义预测控制，获得控制力实现高速列车速度跟踪控制，保证了乘客的安全和乘坐舒适性。

本发明与现有技术比较的有益效果是，高速列车运行过程具有非线性动力学特征，且环境复杂多变，一般采用经验模型和多模型切换方法，难以建立精确稳定的控制模型，从而影响速度跟踪控制。本技术方案根据运行数据应用减法聚类获得最优模糊规则个数和初始参数，并采用反向传播算法和最小二乘法优化模型参数，在线精确辨识，充分利用现场数据，避免经验模型的单一性；建立的ANFIS模糊模型采用的是模型融合的理念，改进了多模型切换不稳定的缺点。提出基于ANFIS模型的广义预测控制方法，多步预测，循环滚动，得到准确的控制量，从而改变了凭经验调节的盲目性，使高速列车运行速度精确跟踪目标曲线，解决了大滞后问题，实现列车正点、安全、有效运行，保证了乘客安全。本技术方案简单实用，可实现高速列车自动驾驶控制。

本发明适用于高速列车运行过程在线监测和自动控制。

附图说明

图1为动车组运行过程受力情况；

图2为ANFIS网络结构；图中，1是第1层；2是第2层；3是第3层；4是第4层；5是第5层；

图3为ANFIS模型广义预测控制器控制原理框图；图中

是期望输出速度；是控制量；

是预测输出速度；

图4为

隶属函数曲线；

图5为

隶属函数曲线；

图6为检验数据的输出误差分布曲线，纵坐标为误差值；

图7为高速列车从济南西到徐州东的列车速度跟踪曲线，实线曲线为给定速度曲线，虚线曲线为预测速度曲线；

图8为牵引力/制动力曲线，纵坐标为控制力值；

具体实施方式

本发明实施选用京沪高铁线路的某CRH型动车组为实验验证对象，采集改动车组在某线路段的2000组速度、控制力数据，并以其中1200组数据作为建模数据样本，剩余800组数据作为检验数据。

首先，根据采集的1200组建模样本数据，采用减法聚类可确定模型的最佳规则数为6，据此，采用梯度下降算法和最小二乘法获得模型的前件和后件参数，输入

和

的隶属函数分别如图4和图5所示，模糊模型规则如表1，模糊规则前件参数和

如表2。为验证模型有效性，采用剩余800组运行数据对建立的模型进行检验，其模型输出误差分布曲线如图6。

表1 ANFIS模型规则

表2 ANFIS模型规则前件参数

Figure 2012105245203100002DEST_PATH_IMAGE164

观察图6的模型验证过程，模型输出误差范围：

Figure 2012105245203100002DEST_PATH_IMAGE166

，满足CTCS-3 列控系统的定位测速要求，即

Figure 2012105245203100002DEST_PATH_IMAGE168

以下

Figure 2012105245203100002DEST_PATH_IMAGE170

，

以上不超过速度值的2%，表明所建立的ANFIS模型精度高，泛化能力强，有较好预测效果。

其次，控制器设计过程。基于上述模型，采用广义预测控制对CRH型动车组在京沪高铁线路的济南西站——徐州东站的实际运行速度进行跟踪控制，得到图7速度跟踪曲线和图8牵引力/制动力曲线。

图7表明基于ANFIS模型的动车组速度跟踪控制方法在牵引、恒速、惰行、制动工况下均有良好的跟踪能力。保证了动车组的停靠准确性和安全性。图8描述了动车组的单位控制力(牵引力/制动力)在整个运行过程缓和变化，过渡比较平滑，启动提速阶段变化较平稳，乘客舒适性指标得到一定程度的提高。

Claims

1.一种高速列车运行过程ANFIS建模和广义预测控制方法，其特征是，所述方法根据采集的高速列车运行过程数据，利用数据驱动建模方法，建立高速列车运行过程ANFIS模型，采用减法聚类确定模糊模型规则数和初始参数，并采用反向传播算法和最小二乘法优化模糊模型参数；提出基于ANFIS模型的动车组运行速度预测跟踪控制方法，实现列车安全、高效、正点运行。

2.根据权利要求1所述的高速列车运行过程ANFIS模型与广义预测控制方法，其特征是，所述建立高速列车运行过程ANFIS模型方法为：

以高速列车运行过程受力情况的数学方程描述为基础，确定子模型的线性结构，据此设计高速列车运行过程ANFIS模型框架为：