CN109062273B - 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统 - Google Patents
基于事件触发pid控制的列车速度曲线跟踪控制方法和系统 Download PDFInfo
- Publication number
- CN109062273B CN109062273B CN201810928734.4A CN201810928734A CN109062273B CN 109062273 B CN109062273 B CN 109062273B CN 201810928734 A CN201810928734 A CN 201810928734A CN 109062273 B CN109062273 B CN 109062273B
- Authority
- CN
- China
- Prior art keywords
- train
- control
- motion state
- difference value
- motion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000001960 triggered effect Effects 0.000 title claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 239000000126 substance Substances 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- KZVPFSJPLBOVLO-UHFFFAOYSA-N trimethyl(2-methylprop-1-enoxy)silane Chemical compound CC(C)=CO[Si](C)(C)C KZVPFSJPLBOVLO-UHFFFAOYSA-N 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
- G05D13/62—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover characterised by the use of electric means, e.g. use of a tachometric dynamo, use of a transducer converting an electric value into a displacement
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于事件触发PID控制的列车速度曲线跟踪控制方法和系统，属于城轨列车运行控制技术领域，包括建立列车启动时基本阻力为零的单质点运动仿真模型；采集列车的实际运动状态，根据单质点运动仿真模型中对应采样时间点的期望运动状态，获取运动状态差值；判断运动状态差值是否满足触发控制更新条件，若满足，则根据运动状态差值的绝对值大小和所述运动状态差值的变化率，判断是否触发控制状态更新。本发明降低了控制器的计算次数和负担，降低了故障率，有利于提高硬件的使用寿命；保证了列车车载控制系统两个更新时刻之间的最小间隔存在一个下界，不会产生ZENO现象。
Description
技术领域
本发明涉及城轨列车运行控制技术领域，具体涉及一种基于事件触发PID控制的列车速度曲线跟踪控制方法和系统。
背景技术
城轨列车自动驾驶(ATO)系统的控制算法是列车自动驾驶技术的核心，但是，在城轨列车运行过程中大多采取PID(Proportion-Integration-Differentiation)的速度控制方式，由于列车在运行过程中，运行环境不断变化同时存在着一定干扰，使用PID控制会使列车曲线追踪会产生了一些不必要的震荡，列车控制器控制切换频繁，从而降低了乘客乘车的舒适性、能耗和控制器的寿命。
事件触发控制作为区别时间触发控制的一种控制理论，系统控制信号的计算和网络中信息的传送不是按照固定时间间隔驱动的，而是由特定的“事件”所驱动，在保持一个良好控制性能的前提下，降低了控制的计算次数。ATO系统需要不断根据当前列车的状态信息，计算下一时刻的列车控制动作，列车的控制计算量非常庞大，尤其是在当前地铁发展迅速，地铁网络的不断扩大和列车发车效率的不断提高下，在这种背景下，将事件触发控制引入到ATO控制算法中，对于减少整个地铁网络中每一辆列车控制器的计算次数和负荷具有一定的意义。
以往学者提到的事件触发大多停留在理论中，通过证明事件触发的间隔存在下限，以避免出现Zeno现象(在事件触发控制中，若任意两次相邻的触发时间间隔非常短，可能会导致无限多事件的触发)，然而在实际列车运行过程中传感器的采样间隔存在着下限，无法保证事件触发的最小间隔大于等于传感器的下限，同时若两次相邻事件触发间隔不是传感器采样间隔下限的整数倍，传感器不能及时将列车状态信息传递给列车控制器，会大大降低控制的实时性和准确性，因此相关理论不能应用于实际列车运行控制过程中。
发明内容
本发明的目的在于提供一种能够根据列车的运行状态实时调整控制动作，降低了列车控制器的计算复杂度、能耗以及故障率的基于事件触发PID控制的列车速度曲线跟踪控制方法和系统，以解决上述背景技术中存在的技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种基于事件触发PID控制的列车速度曲线跟踪控制方法，该方法包括如下步骤：
步骤S110：建立列车启动时基本阻力为零的单质点运动仿真模型；
步骤S120：采集列车的实际运动状态，根据所述单质点运动仿真模型中对应采样时间点的期望运动状态，获取运动状态差值；
步骤S130：判断所述运动状态差值是否满足触发控制更新条件，若满足，则进入步骤S140，否则，维持原控制状态；
步骤S140：根据所述运动状态差值的绝对值大小和所述运动状态差值的变化率，判断是否触发控制状态更新。
进一步的，所述步骤S110具体包括：
根据列车运动过程中的受力情况和牛顿第二定律，建立基于时间的列车启动时基本阻力为零的单质点运动仿真模型为：
其中，m表示列车质量，p(t)和v(t)分别表示列车的期望位置和期望速度，u表示列车的牵引制动力，F0表示列车基本阻力，Fa表示列车附加阻力，μ表示滚动阻力系数，b表示摩擦系数，c表示列车阻力系数，dp(t)表示列车位置的微分，dv(t)表示列车速度的微分，dt表示对采样时间点的微分。
进一步的，所述步骤S120中，所述实际运动状态包括列车的实际位置和列车的实际速度，所述期望运动状态包括列车的期望位置和列车的期望速度。
进一步的，所述步骤S120具体包括：
定义采样时刻序列为S＝{T,2T,3T...kT,...}，k∈N；
定义触发时间序列为St＝{t1,t2,t3,...tk,...}∈S；
定义误差为：e(t)＝(v(tk)-v(t))+h(p(tk)-p(t))，
其中，t∈[tk,tk+1]，v(tk)表示列车当前实际速度，p(tk)为列车当前实际位置，h表示列车位置误差比例系数，h＝10exp(-v(tk))。
进一步的，所述步骤S130中所述触发控制更新条件为所述运动状态差值不小于预设阈值；或者，
相邻事件触发时间间隔不小于最大允许时间间隔。
进一步的，所述步骤S140具体包括：
若|e(t)|＞M或e(t)×Δe(t)＞0，则触发PID控制器更新控制状态，减小所述运动状态差值，即，u(t)＝u(t-1)+td×[e(t)-2×e(t-1)+e(t-2)]+ti×[e(t)]+tp×[e(t)-e(t-1)]；其中，M表示误差阈值，通常取值为目标速度最大值的0.5％，范围区间为(0,0.02vt_max]，其中vt_max是目标速度最大值，u(t)表示牵引/制动力，td表示PID控制的微分时间系数，ti表示PID控制的积分时间常数，tp表示PID控制的比例系数；
若e(t)×Δe(t)≤0、Δe(t)×Δe(t-1)≥0，则维持原控制状态，即u(t)＝u(t-1)；
若e(t)×Δe(t)＜0、Δe(t)×Δe(t-1)＜0，则触发P控制器更新控制状态，即u(t)＝u(t-1)+tp×e(t)。
进一步的，所述步骤S140还包括，确定所述PID控制器的控制参数，包括：
采用基于二进制编码的遗传算法整定所述PID控制器的比例系数tp、积分时间常数ti和微分时间系数td的范围；其中，
所述遗传算法的代数为100，选择积分时间和误差的平方值准则ITSE为适配函数，即：
T表示列车的运行时间；
采用适应度比例法确定单点交叉概率和基本位变异策略的变异概率。
另一方面，本发明提供一种基于事件触发PID控制的列车速度曲线跟踪控制系统，该系统包括：
单质点运动模型仿真单元，用于建立列车启动时基本阻力为零的单质点运动仿真模型；
传感器组，用于采集列车的实际运行状态；
第一事件检测器，获取所述实际运行状态与所述单质点运动仿真模型中期望运动状态的运动状态差值，判断所述运动状态差值是否满足触发控制更新条件，若满足，则将所述运动状态差值发送给第二事件检测器；
第二事件检测器，用于根据所述运动状态差值的绝对值大小和所述运动状态差值的变化率，判断是否触发控制状态更新；
控制器组，用于根据所述第二事件检测器的判断结果更新控制状态。
进一步的，所述传感器组包括列车位置传感器和列车速度传感器，所述列车的实际运动状态包括列车的实际位置和实际速度，所述列车的期望运动状态包括期望位置和期望速度。
进一步的，所述控制器组包括零阶保持器、PID控制器和P控制器，
所述零阶保持器用于，当第一事件检测器判断所述运动状态差值不满足触发控制更新条件或第二事件检测器判断所述运动状态差值处于极值状态时，维持原控制状态；
所述PID控制器用于，当所述第二事件检测器判断所述运动状态差值的绝对值为变大趋势时，更新控制状态；
所述P控制器用于，当所述第二事件检测器判断所述运动状态差值的绝对值为极值状态时，更新控制状态。
本发明有益效果：与基于事件触发的控制器设计方法相比，降低了控制器的计算次数和负担，降低了故障率，有利于提高硬件的使用寿命；与基于事件触发的非PID控制器设计方法相比，结构和计算简单，同时因为事先设定了触发条件并且相邻两个事件的触发间隔是采样周期的整数倍，在该控制方法下可以保证列车车载控制系统两个更新时刻之间的最小间隔存在一个下界，不会产生ZENO现象。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于事件触发PID控制的列车速度曲线跟踪控制系统原理框图。
图2为本发明实施例所述的事件检测器触发控制器更新控制状态的原理框图。
图3为本发明实施例所述的事件触发控制的控制方法流程图。
图4为本发明实施例所述的时间触发速度控制和事件触发速度控制对比图。
图5为本发明实施例所述的事件触发速度控制执行器触发次数图。
图6为本发明实施例所述的时间触发速度控制和事件触发速度控制位置误差对比图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。应该理解，这里使用的“连接”或“耦接”可以包括无线连接或耦接，使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例一
如图1所示本发明实施例提供了一种基于事件触发PID控制的列车速度曲线跟踪控制系统，该系统包括：
单质点运动模型仿真单元，用于建立列车启动时基本阻力为零的单质点运动仿真模型；
传感器组，用于采集列车的实际运行状态；
第一事件检测器，获取所述实际运行状态与所述单质点运动仿真模型中期望运动状态的运动状态差值，判断所述运动状态差值是否满足触发控制更新条件，若满足，则将所述运动状态差值发送给第二事件检测器；
第二事件检测器，用于根据所述运动状态差值的绝对值大小和所述运动状态差值的变化率，判断是否触发控制状态更新；
控制器组，用于根据所述第二事件检测器的判断结果更新控制状态。
在本发明的具体实施例一中，所述传感器组包括列车位置传感器和列车速度传感器，所述列车的实际运动状态包括列车的实际位置和实际速度，所述列车的期望运动状态包括期望位置和期望速度。
在本发明的具体实施例一中，所述控制器组包括零阶保持器、PID控制器和P控制器，
所述零阶保持器用于，当第一事件检测器判断所述运动状态差值不满足触发控制更新条件或第二事件检测器判断所述运动状态差值处于极值状态时，维持原控制状态；
所述PID控制器用于，当所述第二事件检测器判断所述运动状态差值的绝对值为变大趋势时，更新控制状态；
所述P控制器用于，当所述第二事件检测器判断所述运动状态差值的绝对值为极值状态时，更新控制状态。
本发明实施例一所述的系统在实际应用中，首先接收一系列传感器传递过来的信息(如位置、速度、加速度信息等)，事件触发装置根据事先确定好的触发条件，满足条件寄存器传递当前时刻的状态信息给车载控制器，车载控制器更新输出，否则维持上一阶段输出不变，节省计算资源和信息传递的能耗。
本发明的装置位于车载端，主要由三部分组成：
事件检测器组(时间触发，有2个事件检测器串联构成)；
寄存器(存储列车状态信息)；
车载控制器(由P控制器，PID控制器和零阶保持器组成)。
上述系统的主要工作流程为：
1)在列车运行过程中，一系列传感器将列车状态信息(位置、速度等)传递给车载计算机，车载计算机将当前状态信息与目标信息进行比较，得到两者差值。
2)两者差值进入到事件检测器1中，判断两者差值是否大于事先设定的阈值，或者相邻事件触发间隔大于最大等于最大允许时间间隔，若满足则跳转到事件检测器2，否则跳转到零阶保持器。
3)事件检测器2根据误差绝对值大小和误差变化率进行判断，若误差的绝对值很大或者误差朝着绝对值增大的方向变化，则采用PID控制器更新；若误差处于极值状态，则采用P控制器更新；若误差的绝对值朝小的方向变化，或者已经达到了平衡状态，此时可以考虑维持控制器的输出不变，即跳转到零阶保持器。
以上流程中步骤1)—3)将在列车运行过程中循环进行，其中以步骤2)和步骤3)为最主要的运算过程。
实施例二
如图2所示，本发明实施例二提供的一种基于事件触发PID控制的列车速度曲线跟踪控制方法，该方法包括如下步骤：
步骤S110：建立列车启动时基本阻力为零的单质点运动仿真模型；
步骤S120：采集列车的实际运动状态，根据所述单质点运动仿真模型中对应采样时间点的期望运动状态，获取运动状态差值；
步骤S130：判断所述运动状态差值是否满足触发控制更新条件，若满足，则进入步骤S140，否则，维持原控制状态；
步骤S140：根据所述运动状态差值的绝对值大小和所述运动状态差值的变化率，判断是否触发控制状态更新。
在本发明的具体实施例二中，所述步骤S110具体包括：
根据列车运动过程中的受力情况和牛顿第二定律，建立基于时间的列车启动时基本阻力为零的单质点运动仿真模型为：
其中，m表示列车质量，p(t)和v(t)分别表示列车的期望位置和期望速度，u表示列车的牵引制动力，F0表示列车基本阻力，Fa表示列车附加阻力，μ表示滚动阻力系数，b表示摩擦系数，c表示列车阻力系数，dp(t)表示列车位置的微分，dv(t)表示列车速度的微分，dt表示对采样时间点的微分。
在本发明的具体实施例二中，所述步骤S120中，所述实际运动状态包括列车的实际位置和列车的实际速度，所述期望运动状态包括列车的期望位置和列车的期望速度。
在本发明的具体实施例二中，所述步骤S120具体包括：
定义采样时刻序列为S＝{T,2T,3T...kT,...}，k∈N；
定义触发时间序列为St＝{t1,t2,t3,...tk,...}∈S；
定义误差为：e(t)＝(v(tk)-v(t))+h(p(tk)-p(t))，
其中，t∈[tk,tk+1]，v(tk)表示列车当前实际速度，p(tk)为列车当前实际位置，h表示列车位置误差比例系数，h＝10exp(-v(tk))。
在本发明的具体实施例二中，所述步骤S130中所述触发控制更新条件为所述运动状态差值不小于预设阈值；或者，
相邻事件触发时间间隔不小于最大允许时间间隔。
在本发明的具体实施例二中，所述步骤S140具体包括：
若|e(t)|＞M或e(t)×Δe(t)＞0，则触发PID控制器更新控制状态，减小所述运动状态差值，即，u(t)＝u(t-1)+td×[e(t)-2×e(t-1)+e(t-2)]+ti×[e(t)]+tp×[e(t)-e(t-1)]；其中，M表示误差阈值，通常取值为目标速度最大值的0.5％，范围区间为(0,0.02vt_max]，其中vt_max是目标速度最大值，u(t)表示牵引/制动力，td表示PID控制的微分时间系数，ti表示PID控制的积分时间常数，tp表示PID控制的比例系数；
若e(t)×Δe(t)≤0、Δe(t)×Δe(t-1)≥0，则维持原控制状态，即u(t)＝u(t-1)；
若e(t)×Δe(t)＜0、Δe(t)×Δe(t-1)＜0，则触发P控制器更新控制状态，即u(t)＝u(t-1)+tp×e(t)。
在本发明的具体实施例二中，所述步骤S140还包括，确定所述PID控制器的控制参数，包括：
采用基于二进制编码的遗传算法整定所述PID控制器的比例系数tp、积分时间常数ti和微分时间系数td的范围；其中，
所述遗传算法的代数为100，选择积分时间和误差的平方值准则ITSE为适配函数，即：
T表示列车的运行时间；
采用适应度比例法确定单点交叉概率和基本位变异策略的变异概率。
实施例三
如图3所示，本发明实施例三提供一种基于事件触发PID控制的列车速度曲线跟踪控制方法，该方法包括如下步骤：
步骤1：根据列车运动过程中的受力情况和牛顿第二定律，可以建立基于时间的列车单质点模型：
其中，m为列车质量，p(t)和v(t)为列车的实时位置和速度，u是列车的牵引或制动力，F0是列车基本阻力，Fa是列车附加阻力，Fs是坡道附加阻力，Fc是曲线附加阻力，Ft是隧道附加阻力。
列车基本阻力包括摩擦阻力和空气阻力。由于机车、车辆的类型和结构不同，机车运行的工况不同(牵引运行和惰力运行)，列车的基本阻力也就不尽相同。目前普遍采用以速度为变量的函数形式，列车单位阻力的表达式如下：
其中，a为滚动阻力系数；b为滑动摩擦和滚动摩擦等系数；c为列车阻力系数。这些系数难以通过纯理论公式进行推导，由专门的实验确定经验值。
坡道附加阻力由列车重力的水平分力组成。其表达式为：
其中，i为坡度值，单位为‰。若是上坡，i则为正，否则为负。
曲线附加阻力是列车在曲线线路上运行时，车轮轮缘与钢轨侧面产生的额外摩擦阻力。其表达式为：
其中，R为列车运行线路的半径，600为经验常数。
隧道空气附加阻力是列车进入隧道时所附加的空气阻力。由于列车进入隧道，使空气流动的截面积减小，因而空气的流速提高，以及列车头部的空气被压缩和尾部的空气被稀释的情况比隧道外加剧，所以作用在列车上的空气阻力增大。
其中，ct是经验常数，通常取值为0.00013，L为所通过隧道的长度。
在利用动力学方程对列车系统进行建模时，因为仿真曲线初始目标速度值为0，初始时刻列车的实际速度也默认为0，误差为0，此时PID控制器因为误差而产生的控制力为0，而此时此刻列车的阻力根据经验值不为0，因此在仿真过程中会产生列车速度为负的错误仿真，基于上述问题对列车的模型进行改进，对列车的基本阻力进行小的修改，在常数a的前面乘以一个tanh(x)函数，确保在刚启动时，列车基本阻力为0，本发明实施例三中采取的函数是：
y＝tanh(100*v(t))
步骤2：定义采样时刻序列为S＝{T,2T,3T,···,kT,···},k∈N，触发时间序列记为St＝{t1,t2,t3,···,tk,···}∈S。定义误差为：
e(t)＝(v(tk)-v(t))+α(p(tk)-p(t))
其中，t∈[tk,tk+1]，v(tk)为列车当前实际速度，v(t)为列车目标速度，p(tk)为列车当前实际位置，p(t)为列车目标位置,α为系数，根据列车不同的运行工况采取不同的值。
在列车速度控制中，将速度和位置误差的代数和作为总的误差，其中系数α若在整个运行过程中采取固定值，则在运行过程中会与目标速度曲线有较大偏差，速度变化频繁且最终停站时的误差较大，不利于精准停车，因此在列车加速与巡航阶段，采取的位置误差所占比例较小，保证列车速度的精确追踪，在停车制动阶段，将位置误差的比重逐渐提高，使列车停车精度满足要求，其中α＝10exp(-v(tk))。
步骤3：定义触发条件：
|e(t)|≥δ||hact≥hmax
其中δ＞0，为阈值系数，根据列车不同的运行工况，采取不同的值，t∈[tk,tk+1]。
步骤4：PID参数的确定
PID系数的选择，直接影响了控制效果的好坏，并和列车运行的安全、高效、节能有密不可分的关系。采用遗传算法整定PID三个系数，操作方便、速度快，能在解空间进行高效启发式搜索，克服了搜索的盲目性等缺点。
1)确定参数的范围和编码
由于优化目标参数较少，二进制编码能够反映所求问题的结构特征和信息，加之其编码、解码简单易行，因此本发明采用基于二进制编码方案的遗传算法对参数进行整定。根据ZN法大致确定出PID控制3个系数的大致范围，kp,ki,kd 3个系数的范围分别为[0,30]，[0,8]，[0,3]。
2)选择初始种群
为了提高遗传算法搜索范围，随机产生100个初始个体，考虑到遗传算法的搜索效率和实际情况，规定遗传算法代数为100代。
3)适配函数的确定
常见的适配度函数J有。目前，应用广泛的判断标准的性能指标有积分平方误差准则(Integral of Squared Error，简称ISE)，积分误差绝对值准则(Integral of Absolutevalue of Error，简称IAE)和积分时间和误差的平方值准则(Integral of Time and theSquared value of Error，简称ITSE)，通过比较，选择ITSE为适配函数，即：
其中，T为列车运行时间，即为试验算例仿真时间。
4)选择，交叉和变异运算
首先，采用适应度比例法生成新的染色体，其次，单点交叉的概率为Pc，最后，基本位变异策略的变异概率为Pm。
步骤5：在满足触发条件的情况下，控制器进行控制器输出的更新，否则维持输出不变。
我们对上述提到的事件触发控制进行一些改进，在保持原有触发条件不变的情况下，在控制器保持阶段转向控制器更新阶段，再次设置事件，保持列车的平稳运行。根据速度追踪误差和误差的变化对列车速度控制误差曲线进行定性分析：
(1)当|e(t)|＞M时，说明此刻误差的绝对值很大。不论误差变化趋势如何，应该考虑更新控制器输出，减小误差，即
u(t)＝u(t-1)+td×[e(t)-2×e(t-1)+e(t-2)]+ti×[e(t)]+tp×[e(t)-e(t-1)]。
(2)当e(t)×Δe(t)≤0、Δe(t)×Δe(t-1)≥0时，说明误差的绝对值朝小的方向变化，或者已经达到了平衡状态，此时可以考虑维持控制器的输出不变，即u(t)＝u(t-1)。
(3)当e(t)×Δe(t)＜0、Δe(t)×Δe(t-1)＜0时，说明误差处于极值状态。如果此时误差的绝对值或较大，可以考虑实施较强的控制作用，如果误差的绝对值很小，可以考虑实施较弱的控制作用，即u(t)＝u(t-1)+tp×e(t)。
(4)当e(t)×Δe(t)＞0时，说明误差朝着绝对值增大的方向变化，此时要进行控制器输出的更新，即
u(t)＝u(t-1)+td×[e(t)-2×e(t-1)+e(t-2)]+ti×[e(t)]+tp×[e(t)-e(t-1)]。
如图4所示，为基于时间触发和基于事件触发的速度控制对比图，由图4可知：基于事件触发的速度控制和基于时间触发的速度控制控制效果相近。
如图5所示，为基于事件触发的速度控制执行器触发次数示意图，由图5可知：基于时间触发的速度控制控制更新间隔在一个范围内浮动，而不是以传感器的采样时间0.01秒，大大降低了控制器的计算量和负担。
如图6所示，为基于时间触发和基于事件触发的速度控制位置误差对比图，由图6可知：基于事件触发速度控制的列车停站误差要小于基于时间触发速度控制的列车停站误差。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本领域普通技术人员可以理解：本发明实施例中的装置中的部件可以按照实施例的描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件，也可以进一步拆分成多个子部件。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于事件触发PID控制的列车速度曲线跟踪控制方法，其特征在于，包括如下步骤：
步骤S110：建立列车启动时基本阻力为零的单质点运动仿真模型；
步骤S120：采集列车的实际运动状态，根据所述单质点运动仿真模型中对应采样时间点的期望运动状态，获取运动状态差值；
步骤S130：判断所述运动状态差值是否满足触发控制更新条件，若满足，则进入步骤S140，否则，维持原控制状态；
步骤S140：根据所述运动状态差值的绝对值大小和所述运动状态差值的变化率，判断是否触发控制状态更新；
所述步骤S120具体包括：
定义采样时刻序列为S＝{T,2T,3T...kT,...}，k∈N；
定义触发时间序列为St＝{t1,t2,t3,...tk,...}∈S；
定义误差为：e(t)＝(v(tk)-v(t))+h(p(tk)-p(t))，
其中，t∈[tk,tk+1]，v(tk)表示列车当前实际速度，p(tk)为列车当前实际位置，h表示列车位置误差比例系数，h＝10exp(-v(tk))；
所述步骤S130中所述触发控制更新条件为所述运动状态差值不小于预设阈值；或者，相邻事件触发时间间隔不小于最大允许时间间隔；
所述步骤S140具体包括：
若|e(t)|＞M或e(t)×Δe(t)＞0，则触发PID控制器更新控制状态，减小所述运动状态差值，即，u(t)＝u(t-1)+td×[e(t)-2×e(t-1)+e(t-2)]+ti×[e(t)]+tp×[e(t)-e(t-1)]；其中，M表示误差阈值，通常取值为目标速度最大值的0.5％，范围区间为(0,0.02vt_max]，其中vt_max是目标速度最大值，u(t)表示牵引/制动力，td表示PID控制的微分时间系数，ti表示PID控制的积分时间常数，tp表示PID控制的比例系数；
若e(t)×Δe(t)≤0、Δe(t)×Δe(t-1)≥0，则维持原控制状态，即u(t)＝u(t-1)；
若e(t)×Δe(t)＜0、Δe(t)×Δe(t-1)＜0，则触发P控制器更新控制状态，即u(t)＝u(t-1)+tp×e(t)。
2.根据权利要求1所述的控制方法，其特征在于，所述步骤S110具体包括：
根据列车运动过程中的受力情况和牛顿第二定律，建立基于时间的列车启动时基本阻力为零的单质点运动仿真模型为：
其中，m表示列车质量，p(t)和v(t)分别表示列车的期望位置和期望速度，u表示列车的牵引制动力，F0表示列车基本阻力，Fa表示列车附加阻力，μ表示滚动阻力系数，b表示摩擦系数，c表示列车阻力系数，dp(t)表示列车位置的微分，dv(t)表示列车速度的微分，dt表示对采样时间点的微分。
3.根据权利要求2所述的控制方法，其特征在于，所述步骤S120中，所述实际运动状态包括列车的实际位置和列车的实际速度，所述期望运动状态包括列车的期望位置和列车的期望速度。
4.根据权利要求3所述的控制方法，其特征在于，所述步骤S140还包括，确定所述PID控制器的控制参数，包括：
采用基于二进制编码的遗传算法整定所述PID控制器的比例系数tp、积分时间常数ti和微分时间系数td的范围；其中，
所述遗传算法的代数为100，选择积分时间和误差的平方值准则ITSE为适配函数，即：
T表示列车的运行时间；
采用适应度比例法确定单点交叉概率和基本位变异策略的变异概率。
5.一种基于事件触发PID控制的列车速度曲线跟踪控制系统，其特征在于，包括：
单质点运动模型仿真单元，用于建立列车启动时基本阻力为零的单质点运动仿真模型；
传感器组，用于采集列车的实际运行状态；
第一事件检测器，获取所述实际运行状态与所述单质点运动仿真模型中期望运动状态的运动状态差值，判断所述运动状态差值是否满足触发控制更新条件，若满足，则将所述运动状态差值发送给第二事件检测器；所述触发控制更新条件为所述运动状态差值不小于预设阈值；或者，相邻事件触发时间间隔不小于最大允许时间间隔；
第二事件检测器，用于根据所述运动状态差值的绝对值大小和所述运动状态差值的变化率，判断是否触发控制状态更新；
控制器组，用于根据所述第二事件检测器的判断结果更新控制状态；其中，
若|e(t)|＞M或e(t)×Δe(t)＞0，则触发PID控制器更新控制状态，减小所述运动状态差值，即，u(t)＝u(t-1)+td×[e(t)-2×e(t-1)+e(t-2)]+ti×[e(t)]+tp×[e(t)-e(t-1)]；其中，M表示误差阈值，通常取值为目标速度最大值的0.5％，范围区间为(0,0.02vt_max]，其中vt_max是目标速度最大值，u(t)表示牵引/制动力，td表示PID控制的微分时间系数，ti表示PID控制的积分时间常数，tp表示PID控制的比例系数；
若e(t)×Δe(t)≤0、Δe(t)×Δe(t-1)≥0，则维持原控制状态，即u(t)＝u(t-1)；
若e(t)×Δe(t)＜0、Δe(t)×Δe(t-1)＜0，则触发P控制器更新控制状态，即u(t)＝u(t-1)+tp×e(t)。
6.根据权利要求5所述的控制系统，其特征在于，所述传感器组包括列车位置传感器和列车速度传感器，所述列车的实际运动状态包括列车的实际位置和实际速度，所述列车的期望运动状态包括期望位置和期望速度。
7.根据权利要求6所述的控制系统，其特征在于，所述控制器组包括零阶保持器、PID控制器和P控制器，
所述零阶保持器用于，当第一事件检测器判断所述运动状态差值不满足触发控制更新条件或第二事件检测器判断所述运动状态差值处于极值状态时，维持原控制状态；
所述PID控制器用于，当所述第二事件检测器判断所述运动状态差值的绝对值为变大趋势时，更新控制状态；
所述P控制器用于，当所述第二事件检测器判断所述运动状态差值的绝对值为极值状态时，更新控制状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810928734.4A CN109062273B (zh) | 2018-08-15 | 2018-08-15 | 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810928734.4A CN109062273B (zh) | 2018-08-15 | 2018-08-15 | 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109062273A CN109062273A (zh) | 2018-12-21 |
| CN109062273B true CN109062273B (zh) | 2021-11-02 |
Family
ID=64686924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810928734.4A Active CN109062273B (zh) | 2018-08-15 | 2018-08-15 | 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109062273B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146845B (zh) * | 2019-04-17 | 2021-07-27 | 杭州电子科技大学 | 一种事件驱动的固定时间电磁源定位方法 |
| CN110083056A (zh) * | 2019-05-28 | 2019-08-02 | 北京交通大学 | 一种城轨列车pid控制器自动调整方法 |
| CN110281987B (zh) * | 2019-06-21 | 2020-11-24 | 北京交通大学 | 基于状态约束的列车速度跟踪控制方法 |
| CN110456681B (zh) * | 2019-07-01 | 2020-11-06 | 天津大学 | 基于事件触发的中立稳定饱和系统的输出反馈控制器 |
| CN113928371B (zh) * | 2020-06-29 | 2023-06-13 | 比亚迪股份有限公司 | 列车自动驾驶方法和系统 |
| CN112286045A (zh) * | 2020-10-15 | 2021-01-29 | 天津津航计算技术研究所 | 一种用于真空金属管道高速列车的启停控制系统 |
| CN112793625B (zh) * | 2021-01-08 | 2022-10-21 | 北京交通大学 | 一种基于离散采样数据的高速列车事件触发控制方法 |
| CN112947329B (zh) * | 2021-01-28 | 2022-08-12 | 中南大学 | 分布参数系统的事件触发控制方法及系统 |
| CN113504727B (zh) * | 2021-07-14 | 2022-06-17 | 桂林理工大学 | 一种带有自适应阈值的混合阶非线性系统事件触发协同控制方法 |
| CN115392111B (zh) * | 2022-07-27 | 2023-07-14 | 交控科技股份有限公司 | 一种列车追踪控制方法、设备、存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102761901A (zh) * | 2011-04-29 | 2012-10-31 | 中国移动通信集团公司 | 一种测量上报方法和设备 |
| CN107658871A (zh) * | 2017-10-20 | 2018-02-02 | 安徽大学 | 基于事件触发动态触发机制的电力系统控制方法 |
| CN108415402A (zh) * | 2018-01-29 | 2018-08-17 | 山东科技大学 | 考虑事件驱动及输出饱和的动车组鲁棒滤波故障检测方法 |
| CN109143872A (zh) * | 2018-11-19 | 2019-01-04 | 重庆科技学院 | 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040143602A1 (en) * | 2002-10-18 | 2004-07-22 | Antonio Ruiz | Apparatus, system and method for automated and adaptive digital image/video surveillance for events and configurations using a rich multimedia relational database |
-
2018
- 2018-08-15 CN CN201810928734.4A patent/CN109062273B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102761901A (zh) * | 2011-04-29 | 2012-10-31 | 中国移动通信集团公司 | 一种测量上报方法和设备 |
| CN107658871A (zh) * | 2017-10-20 | 2018-02-02 | 安徽大学 | 基于事件触发动态触发机制的电力系统控制方法 |
| CN108415402A (zh) * | 2018-01-29 | 2018-08-17 | 山东科技大学 | 考虑事件驱动及输出饱和的动车组鲁棒滤波故障检测方法 |
| CN109143872A (zh) * | 2018-11-19 | 2019-01-04 | 重庆科技学院 | 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| Distributed cooperative tracking control for heavy haul trains with event-triggered strategy;Feng Zhou;《2016 American Control Conference》;20160708;第770-775页 * |
| Event-triggered adaptive control for multiple high-speed trains with deception attacks in bottleneck sections;Hui Zhao;《Information Sciences》;20200827;第470-481页 * |
| Speed Tracking Error and Rate Driven Event-triggered PID Control Design Method for Automatic Train Operation System;Peichao Fu;《Chinese Automation Congress》;20181202;第2889-2894页 * |
| 事件触发下混合时滞神经网络的状态估计;杜雨薇 等;《应用数学和力学》;20200801;第887-898页 * |
| 面向操纵优化的智能列车辅助驾驶系统;高士根 等;《铁道学报》;20191115;第88-94页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109062273A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109062273B (zh) | 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统 | |
| CN110497943B (zh) | 一种基于强化学习的城轨列车节能运行策略在线优化方法 | |
| Cao et al. | Bio-inspired speed curve optimization and sliding mode tracking control for subway trains | |
| CN112193280B (zh) | 一种重载列车强化学习控制方法及系统 | |
| CN110949366B (zh) | 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法 | |
| CN113788021B (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
| CN111169513B (zh) | 面向乘客舒适性的多自动驾驶列车分布式协同控制方法 | |
| CN111142374A (zh) | 一种悬挂式永磁磁悬浮列车自动驾驶系统的速度控制方法 | |
| CN105118329A (zh) | 一种消解无信号交叉口两车交通冲突的方法 | |
| CN109693688B (zh) | 预设性能的列车自动驾驶控制系统及控制方法 | |
| CN109783890A (zh) | 基于钩缓装置模型的重载列车运行曲线多目标优化方法 | |
| CN110188401B (zh) | 一种基于改进pso的有轨电车运行能耗优化方法 | |
| CN109977449B (zh) | 智能汽车纵向动力学系统混杂动态建模与优化控制方法 | |
| Zhang et al. | Data-driven train operation models based on data mining and driving experience for the diesel-electric locomotive | |
| CN109398426B (zh) | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 | |
| CN112784406A (zh) | 基于移动闭塞时空占用带模型的列车追踪运行优化方法 | |
| CN112782978B (zh) | 一种基于自触发机制的高速列车巡航运行控制方法 | |
| CN111591324B (zh) | 基于灰狼优化算法的重载列车能耗优化方法 | |
| CN112464453B (zh) | 一种考虑列车动态响应过程的运行速度曲线规划仿真方法 | |
| Sheu et al. | Automatic train regulation with energy saving using dual heuristic programming | |
| CN114547774B (zh) | 一种重载列车进站曲线优化方法及系统 | |
| CN116176654A (zh) | 一种场景自适应的轨道交通ato控制系统 | |
| CN113313941B (zh) | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 | |
| Zhang et al. | A flexible and robust train operation model based on expert knowledge and online adjustment | |
| Fu et al. | Speed tracking error and rate driven event-triggered PID control design method for automatic train operation system |
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 |