CN113671838A - 一种基于迭代滑模控制的列车运行跟踪方法 - Google Patents
一种基于迭代滑模控制的列车运行跟踪方法 Download PDFInfo
- Publication number
- CN113671838A CN113671838A CN202110981170.2A CN202110981170A CN113671838A CN 113671838 A CN113671838 A CN 113671838A CN 202110981170 A CN202110981170 A CN 202110981170A CN 113671838 A CN113671838 A CN 113671838A
- Authority
- CN
- China
- Prior art keywords
- train
- control
- iterative
- train operation
- sliding mode
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于迭代滑模控制的列车运行跟踪方法,将基本运行阻力和附加运行阻力两个在滑模控制过程中视作存在上限的未知干扰项,通过迭代学习进行参数辨识,变为控制过程的已知模型参数项,从而有效降低滑模控制器为了保证鲁棒性与稳定性而存在抖振的问题,提高列车运行平稳性与舒适度。
Description
技术领域
本发明涉及列车控制领域,具体涉及一种基于迭代滑模控制的列车运行跟踪方法。
背景技术
高速列车自动驾驶系统(Automatic TrainOperation,ATO)是未来智能高速铁路发展的关键技术之一,然而,高速列车运行速度快,运行环境复杂多变,系统受内部和外部未知扰动影响,呈现出快时变、强非线性的特征,控制器的设计仍然是一个难点。
滑模控制本质上是一类特殊的非线性控制,且非线性表现为控制的不连续性。这种控制策略与其他控制的不同之处在于系统的“结构”并不固定,而是可以在动态过程中,根据系统当前的状态(如偏差及其各阶导数等)有目的地不断变化,迫使系统按照预定“滑动模态”的状态轨迹运动。由于滑动模态可以进行设计且与对象参数及扰动无关,这就使得滑模控制具有快速响应、对应参数变化及扰动不灵敏、无需系统在线辨识、物理实现简单等优点。但是当外界干扰较强时,为维持控制精度,不连续的非线性切换控制会增多,即可能出现抖震现象,尤其是控制器设计较差的时候,列车为了在速度上跟踪期望轨迹,可能导致控制器输出来回振荡,也就是列车控制级位在牵引制动上来回振荡,不利于列车的安全平稳驾驶,且对列车的器件损耗严重。
迭代学习控制(Iterative Learning Control,ILC)本质上是一种无模型的控制方法,非常适用于像列车速度控制这种非线性控制系统。与其他智能控制方法相比较,迭代学习控制能够不断地学习和积累“控制经验”,并且不需要总结人工经验向控制器移植,有效克服了现有控制方法的不足。同时随着迭代次数的增加,控制精度和稳定性不断提高,保证列车的安全运行。然而列车并不是真正意义上的严格重复,例如:列车牵引制动模型具有慢时变性、运行环境会受到天气和温度影响、控制信号传输存在时延随机性等。因此,若是仅使用迭代控制器,可能因为没有反馈状态而出现列车在某些时刻速度无法收敛的情况。且迭代控制的收敛速度较大程度依赖初始输入参数。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于迭代滑模控制的列车运行跟踪方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于迭代滑模控制的列车运行跟踪方法,其特征在于,包括如下步骤:
S1、获取列车上一次运行过程中的控制数据,根据所获取的控制数据调整名义模型;
S2、根据步骤S1调整后的名义模型修正滑模控制器参数;
S3、利用修正后的滑模控制器在当次列车运行过程中获取的跟踪误差并输出控制级位直至列车运行至终点;
S4、记录当次列车运行数据,并将其提供给下次列车运行时进行迭代学习使用。
上述方案的有益效果是,通过迭代学习对列车模型参数进行调整,有效利用历史数据降低运行抖振,提高乘客舒适度,同时结合滑模控制与迭代学习设计控制器,克服了迭代学习控制器由于运行条件变化导致的历史数据失效及安全性问题。
进一步的,所述步骤S1中名义模型表示为:
其中,u(t)为上次运行过程中的控制数据,f(t)为列车的受力,θT(t)为未知参数构成的向量θT(t)=[fa(t),a(t),b(t),c(t)],α(t)=[-1,-1,-v(t),-v2(t)]为可观测数据向量,v(t)为实际运行速度,b(t),c(t)为列车基本阻力参数,fa(t)表示列车附加阻力,M表示列车载荷,v为列车实时速度。
上述进一步方案的有益效果是,将列车运动学系统模型的参数划分为可观测数据与位置参数。其中可观测数据由列车传感器获取,可以直接使用,而未知参数不可直接获取,将由工程经验赋值,并通过迭代数据进行修正。
进一步的,所述步骤S1具体为:
S11、列车运行前,获取上一次运行过程中记录的列车运行数据,包括运行全称的控制输入量以及控制误差;
S12、利用步骤S11获取的控制输入量以及控制误差对名义模型进行修正,修正后的名义模型表示为:
fk(x,v,t)=fk-1(x,v,t)+I(sk-1(t),uk-1(t));
其中,fk是列车第k次运行过程中的名义模型,I代表迭代学习函数,sk-1,uk-1分别为上一次迭代的控制误差与控制输入,x为列车运行的实际位移,v为列车运行的实际速度,t为列车运行时间。
上述进一步方案的有益效果是,通过列车历史运行数据对滑模迭代控制器中使用的列车名义模型进行参数辨识并修正,使得列车名义模型不断接近真实列车系统,最终实现控制器性能的提升。
进一步的,所述步骤S2修正后的滑模控制器表示为:
其中,u是控制器输出的控制量,fk是第k次迭代时通过迭代学习获取的列车名义模型相关项,D为外部扰动最大值,η为控制器参数,e2(t)表示列车的速度跟踪误差,β,p,q是控制器参数,其中p,q为正奇数且满足1<p/q<2,β>0。
上述进一步方案的有益效果是,利用滑模控制理论的特点,保证列车运行过程中的速度跟踪误差可以快速收敛到零,即最大程度保证列车运行的安全性。
附图说明
图1为本发明基于迭代滑模控制的列车运行跟踪方法流程示意图。
图2为本发明实施例控制方法应用示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
一种基于迭代滑模控制的列车运行跟踪方法,如图1所示,包括如下步骤:
S1、获取列车上一次运行过程中的控制数据,根据所获取的控制数据调整名义模型;
本发明为用于列车速度曲线跟踪的基于迭代滑模理论的控制器,滑模控制器的输入为列出跟踪误差,迭代学习器的控制输入为历史经验数据。滑模控制器根据迭代学习器对自身控制参数进行调整,并输出控制级位。
跟踪误差为列车实际运行状态与参考运行曲线的差值,表示为:
其中,e1,e2分别代表位移跟踪误差与速度跟踪误差,xr,vr代表参考运行位移与参考运行速度,x,v代表实际运行位移与实际运行速度。
在本实施例里,为了能够使获取数据更为接近实际的运行状态,选择与当次列车运行最近的一次运行过程的数据作为历史数据。
S11、列车运行前,获取上一次运行过程中记录的列车运行数据,包括运行全称的控制输入量以及控制误差。
在列车起车前,对上一次运行过程中记录下的数据进行处理,包括运行全程的控制输入量u及控制误差s。
根据运动学方程,列车名义模型可以被描述为:
其中,u是控制输入量,f代表其他受力情况。θ(t)=[fa(t),a(t),b(t),c(t)],代表由未知参数构成的向量。α(t)=[-1,-1,-v(t),-v2(t)]代表由可观测数据组成的向量。fa表示列车收到的附加阻力,a,b,c分别为列车基本阻力参数。
S12、利用步骤S11获取的控制输入量以及控制误差对名义模型进行修正。
由于θ(t)不可知,所以f(t)也是不准确的,需要通过迭代学习去进行辨识如下式所示。
fk(x,v,t)=fk-1(x,v,t)+I(sk-1(t),uk-1(t))
其中,fk是列车第k次运行过程中的名义模型,I代表迭代学习函数,sk-1,uk-1分别为上一次迭代的控制误差与控制输入。
S2、根据步骤S1调整后的名义模型修正滑模控制器参数;
滑模控制器是基于模型驱动的变结构反馈控制器,根据列车跟踪误差输出控制量,
本实施例里,
滑模控制器是一种基于受控对象驱动的控制策略,受控对象名义模型与实际物理系统相似程度越高,控制器的性能越优秀。迭代滑模控制器根据历史列车运行数据对控制器的名义模型进行修正,使其不断贴近真实的列车系统,并按照最新的名义模型,根据滑模控制策略输出控制级位u(t)。
S3、利用修正后的滑模控制器在当次列车运行过程中获取的跟踪误差并输出控制级位直至列车运行至终点;
滑模控制器中列车名义模型相关参数修正后,在本次列车运行过程根据当前控制误差输出控制输入量,控制列车运行直至终点。
S4、记录当次列车运行数据,并将其提供给下次列车运行时进行迭代学习使用。
列车到站后,记录下列车本次运行过程中,每一个时刻的列车控制输入与控制误差,存储下来供下一次列车运行时使用。
上述方案既通过控制器的滑模反馈控制结构,保证了列车在运行过程中的速度误差可以得到快速收敛,灵敏性好、安全性高,又通过迭代学习前馈控制结构,使得列车运行过程的历史数据得到了有效利用。这样的控制器在保障了工程运行的可靠性基础上,又随着列车的重复运行具有了成长的潜力。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种基于迭代滑模控制的列车运行跟踪方法,其特征在于,包括如下步骤:
S1、获取列车上一次运行过程中的控制数据,根据所获取的控制数据调整名义模型;
S2、根据步骤S1调整后的名义模型修正滑模控制器参数;
S3、利用修正后的滑模控制器在当次列车运行过程中获取的跟踪误差并输出控制级位直至列车运行至终点;
S4、记录当次列车运行数据,并将其提供给下次列车运行时进行迭代学习使用。
3.根据权利要求2所述的一种基于迭代滑模控制的列车运行跟踪方法,其特征在于,所述步骤S1具体为:
S11、列车运行前,获取上一次运行过程中记录的列车运行数据,包括运行全称的控制输入量以及控制误差;
S12、利用步骤S11获取的控制输入量以及控制误差对名义模型进行修正,修正后的名义模型表示为:
fk(x,v,t)=fk-1(x,v,t)+I(sk-1(t),uk-1(t));
其中,fk表示列车第k次运行过程中的名义模型,I表示迭代学习函数,sk-1,uk-1分别表示上一次迭代的控制误差与控制输入,x表示列车运行的实际位移,v表示列车运行的实际速度,t表示列车运行时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981170.2A CN113671838B (zh) | 2021-08-25 | 2021-08-25 | 一种基于迭代滑模控制的列车运行跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981170.2A CN113671838B (zh) | 2021-08-25 | 2021-08-25 | 一种基于迭代滑模控制的列车运行跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113671838A true CN113671838A (zh) | 2021-11-19 |
CN113671838B CN113671838B (zh) | 2023-02-24 |
Family
ID=78546383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981170.2A Active CN113671838B (zh) | 2021-08-25 | 2021-08-25 | 一种基于迭代滑模控制的列车运行跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113671838B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130229135A1 (en) * | 2012-03-02 | 2013-09-05 | University Of Nebraska-Lincoln | Drive systems including sliding mode observers and methods of controlling the same |
CN106529023A (zh) * | 2016-11-09 | 2017-03-22 | 南京工程学院 | 一种基于迭代学习的地铁列车自动运行速度控制方法 |
CN107102542A (zh) * | 2017-04-13 | 2017-08-29 | 北京交通大学 | 一种列车自动运行的鲁棒自适应非奇异终端滑模控制方法 |
CN108646763A (zh) * | 2018-07-18 | 2018-10-12 | 扬州大学 | 一种自主行驶轨迹跟踪控制方法 |
CN110703610A (zh) * | 2019-11-19 | 2020-01-17 | 河海大学常州校区 | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 |
CN113085963A (zh) * | 2021-04-22 | 2021-07-09 | 西南交通大学 | 列车控制级位的动态调控方法及其动态调控装置 |
-
2021
- 2021-08-25 CN CN202110981170.2A patent/CN113671838B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130229135A1 (en) * | 2012-03-02 | 2013-09-05 | University Of Nebraska-Lincoln | Drive systems including sliding mode observers and methods of controlling the same |
CN106529023A (zh) * | 2016-11-09 | 2017-03-22 | 南京工程学院 | 一种基于迭代学习的地铁列车自动运行速度控制方法 |
CN107102542A (zh) * | 2017-04-13 | 2017-08-29 | 北京交通大学 | 一种列车自动运行的鲁棒自适应非奇异终端滑模控制方法 |
CN108646763A (zh) * | 2018-07-18 | 2018-10-12 | 扬州大学 | 一种自主行驶轨迹跟踪控制方法 |
CN110703610A (zh) * | 2019-11-19 | 2020-01-17 | 河海大学常州校区 | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 |
CN113085963A (zh) * | 2021-04-22 | 2021-07-09 | 西南交通大学 | 列车控制级位的动态调控方法及其动态调控装置 |
Non-Patent Citations (1)
Title |
---|
王磊等: "神经网络滑模控制在并联机器人中的应用", 《微特电机》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113671838B (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104238361B (zh) | 电机伺服系统自适应鲁棒位置控制方法与系统 | |
CN102998973B (zh) | 一种非线性系统的多模型自适应控制器及控制方法 | |
US11975751B2 (en) | Iterative learning control method for multi-particle vehicle platoon driving system | |
CN108614426A (zh) | 一种基于干扰观测器的多移动机器人编队鲁棒控制方法 | |
CN104360596B (zh) | 机电伺服系统有限时间摩擦参数辨识和自适应滑模控制方法 | |
CN106527119A (zh) | 基于模糊控制的微分先行pid控制系统 | |
CN104898688A (zh) | Uuv四自由度动力定位自适应抗扰滑模控制系统及控制方法 | |
CN106965171A (zh) | 具备学习功能的机器人装置 | |
CN110244556B (zh) | 基于期望航向修正的欠驱动船舶航向控制方法 | |
CN108873690A (zh) | 一种二阶严反馈混沌系统的轨迹跟踪方法 | |
CN109491251B (zh) | 考虑数据扰动补偿的交流伺服系统模型辨识方法及设备 | |
CN113589689A (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
Liu et al. | Adaptive command filtered backstepping tracking control for AUVs considering model uncertainties and input saturation | |
CN114275012B (zh) | 一种列车控制级位的自适应调控方法 | |
CN107045285A (zh) | 一种带有输入饱和的伺服系统自适应参数辨识与控制方法 | |
CN113085963B (zh) | 列车控制级位的动态调控方法及其动态调控装置 | |
CN107942679A (zh) | 基于模糊免疫神经网络算法的全向底盘控制方法 | |
CN107065559A (zh) | 一种工业机器人增量自适应控制方法 | |
CN113671838B (zh) | 一种基于迭代滑模控制的列车运行跟踪方法 | |
CN106094524A (zh) | 基于输入趋势补偿的快速模型预测控制方法 | |
CN114859725A (zh) | 一种非线性系统自适应事件触发控制方法及系统 | |
CN104216286A (zh) | 增长率有界的非线性系统的多模型自适应控制方法及系统 | |
CN117806175B (zh) | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 | |
CN109946963A (zh) | 一种判断多回路控制系统裕度的方法 | |
CN114706298B (zh) | 一种基于预设性能的usv鲁棒无模型轨迹跟踪控制器设计方法 |
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 |