CN114167733B - 一种高速列车速度控制方法及系统 - Google Patents
一种高速列车速度控制方法及系统 Download PDFInfo
- Publication number
- CN114167733B CN114167733B CN202210131165.7A CN202210131165A CN114167733B CN 114167733 B CN114167733 B CN 114167733B CN 202210131165 A CN202210131165 A CN 202210131165A CN 114167733 B CN114167733 B CN 114167733B
- Authority
- CN
- China
- Prior art keywords
- carriage
- speed
- car
- speed train
- actual
- 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
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
本发明涉及一种高速列车速度控制方法及系统,属于高速列车运行过程监测与自动控制技术领域,建立考虑了车钩和附加阻力的高速列车纵向动力学模型,根据高速列车动力分散的特点提出了一种最小参数自适应径向基函数神经网络控制方法,利用径向基函数神经网络控制器逼近所述理想反馈控制量,并采用神经网络最小参数自适应学习法将径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,提高了高速列车对于给定目标速度位移曲线的跟踪精度,使列车在处理复杂路况变化时同样具有较高的控制精度和较快的稳定速度,并具有一定的抗干扰能力。
Description
技术领域
本发明涉及高速列车运行过程监测与自动控制技术领域,特别是涉及一种高速列车速度控制方法及系统。
背景技术
随着高速列车的迅速发展,其靠着安全、快速及高效的特点已然成为现代交通运输体系中不可或缺的一部分。众所周知,高速列车由于运行速度较快,工况变化频繁,运行环境复杂且多变,呈现出快时变、强非线性的特点,且系统容易受到内部以及外界各种未知干扰的影响,因此使高速列车能够对目标速度位移进行高精度追踪仍然具有很大挑战,为实现这一目的,需要对高速列车的建模方法及控制策略进行探索。
对于高速列车运行过程建模,通常采用的是单质点建模,将高速列车看为一个整体,这种方法是对列车整体运行状态的宏观描述,而对于列车车厢之间的车钩作用力以及各节车厢的控制力分配情况却不能准确的描述,尤其当高速列车行驶到复杂路况(如弯道、坡道、隧道)时,车厢间的车钩链接作用将不容忽视。而后有人提出了多质点建模方法,将每节列车车厢都看作为一个质点,并考虑车钩的作用将整列列车看作为一个质点链,这种方法能够准确的描述列车运行的真实情况,但这种方法的计算量通常会很大而导致控制过程繁琐,因此他们会在处理车钩力或者基本阻力时考虑将非线性部分线性化处理,且没有考虑列车运行过程中的附加阻力。
对于高速列车运行过程控制,有学者采用模糊-PID控制方法,该方法旨在解决速度控制时PID控制器加减切换次数过多的问题,但是模糊规则及隶属度函数的确定过程比较复杂,实际的应用中会有很多局限性。有人提出采用了模型预测控制来实现高速列车的速度跟踪控制,但是其对列车的建模精度提出了更高的要求,若建模稍有失准就会造成控制器的输出准确性难以保证。有人提出将迭代学习控制方法应用到列车自动驾驶系统中,但该方法是取先前的信息作为当前调整策略的依据,需要足够多的数据和迭代次数,才能获得好的控制精度,控制的实时性也有待提高。
发明内容
本发明的目的是提供一种高速列车速度控制方法及系统,以提高高速列车对于给定目标速度位移曲线的跟踪精度。
为实现上述目的,本发明提供了如下方案:
一种高速列车速度控制方法,所述方法包括:
建立考虑车钩和附加阻力的高速列车纵向动力学模型;
根据目标速度-位移曲线、实际速度和实际位移,获得高速列车每节车厢的速度跟踪误差和位移跟踪误差;
根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差;
根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量;
根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量;
采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器;
将每节车厢的实际速度、实际位移、滑模误差、过渡参数变量和滑模误差修正量作为输入量输入径向基函数神经网络控制器,利用径向基函数神经网络控制器逼近所述理想反馈控制量,输出每节车厢的实际控制量;所述实际控制量包括实际速度控制量和实际位移控制量;
基于高速列车纵向动力学模型,根据每节车厢的实际控制量对每节车厢进行控制,实现对高速列车的速度和位移的跟踪控制。
可选的,所述建立考虑车钩和附加阻力的高速列车纵向动力学模型,具体包括:
根据高速列车各节车厢间的车钩作用特点,利用公式 ,确定相邻车厢间的车钩力;其中,为第i节车厢与第i+1节车厢之间的车钩力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;Δd为车钩形变量,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m;和分别为第i节车厢和第i+1节车厢的速度,单位为m/s;
根据高速列车运行过程中所受到的附加阻力的特点,利用公式w gi =w pi +w ri +w si ,确定每节车厢在运行时所受到的总单位附加阻力;其中,w gi 为第i节车厢在运行时所受到的总单位附加阻力,w pi 为第i节车厢的坡道附加阻力,w ri 为第i节车厢的曲线附加阻力,w si 为第i节车厢的隧道附加阻力;
根据高速列车每节车厢所受到的控制力、基本阻力、相邻车厢间的车钩力以及每节车厢在运行时所受到的总单位附加阻力,确定初始的高速列车纵向动力学模型为;其中,m i 为第i节车厢的质量,为第i节车厢的加速度,U i 为高速列车第i节车厢在运行过程中的控制力,为第i节车厢所受到的基本阻力,为第i节车厢所受到的附加阻力,和分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数;
基于初始的高速列车纵向动力学模型,考虑高速列车在运行过程中存在车厢之间人员流动的情况,确定最终的高速列车纵向动力学模型为;其中,M表示各节车厢的质量系数矩阵,M=diag(m 1,m 2,…,m i , …,m n );ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm 1, Δm 2,…, Δm i , …, Δm n );、和X表示各节车厢的加速度、速度和位置矩阵,;U表示各节车厢的动力,U=[U 1, U 2, …, U i ,…, U n ] T ;K和d分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数,表示各节车厢运行中的附加阻力矩阵,=diag[f w1(X 1), …, f wi (X i ), …, f wn (X n )];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰。
可选的,所述根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差,具体包括:
根据高速列车每节车厢的位移跟踪误差和速度跟踪误差,利用误差函数,确定每节车厢的滑模误差。
可选的,所述根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量,具体包括:
基于高速列车纵向动力学模型,对误差函数进行求导,获得求导公式为;其中,表示第i节车厢的实际加速度,表示第i节车厢的目标加速度,G(X i )表示高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数,表示第i节车厢的简化函数,表示高速列车第i节车厢运行过程中可能受到的等效未知干扰,表示第i节车厢的过渡参数变量,表示第i节车厢的加速度跟踪误差;
根据每节车厢的滑模误差、实际速度和目标速度,利用过渡参数变量的计算公式,确定每节车厢的过渡参数变量。
可选的,所述根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量,具体包括:
根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,利用所述理想反馈控制器,确定每节车厢的理想反馈控制量。
可选的,所述采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器,具体包括:
采用神经网络最小参数自适应学习法,定义,并确定实际反馈控制量的控制律为;其中,U i 为第i节车厢的实际反馈控制量,为第i节车厢理想的神经网络权值向量,为的F范数,ρ i 为第i节车厢理想的神经网络等效权值,为ρ i 的估计值,h i 为隐含层节点向量;
利用径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,结合实际反馈控制量的控制律,构成径向基函数神经网络控制器。
一种高速列车速度控制系统,所述系统包括:
高速列车纵向动力学模型建立模块,用于建立考虑车钩和附加阻力的高速列车纵向动力学模型;
跟踪误差获得模块,用于根据目标速度-位移曲线、实际速度和实际位移,获得高速列车每节车厢的速度跟踪误差和位移跟踪误差;
滑模误差确定模块,用于根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差;
过渡参数变量获得模块,用于根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量;
理想反馈控制量确定模块,用于根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量;
径向基函数神经网络控制器构成模块,用于采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器;
实际控制量输出模块,用于将每节车厢的实际速度、实际位移、滑模误差、过渡参数变量和滑模误差修正量作为输入量输入径向基函数神经网络控制器,利用径向基函数神经网络控制器逼近所述理想反馈控制量,输出每节车厢的实际控制量;所述实际控制量包括实际速度控制量和实际位移控制量;
跟踪控制模块,用于基于高速列车纵向动力学模型,根据每节车厢的实际控制量对每节车厢进行控制,实现对高速列车的速度和位移的跟踪控制。
可选的,所述高速列车纵向动力学模型建立模块,具体包括:
车钩力确定子模块,用于根据高速列车各节车厢间的车钩作用特点,利用公式 ,确定相邻车厢间的车钩力;其中,为第i节车厢与第i+1节车厢之间的车钩力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;Δd为车钩形变量,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m;和分别为第i节车厢和第i+1节车厢的速度,单位为m/s;
附加阻力确定子模块,用于根据高速列车运行过程中所受到的附加阻力的特点,利用公式w gi =w pi +w ri +w si ,确定每节车厢在运行时所受到的总单位附加阻力;其中,w gi 为第i节车厢在运行时所受到的总单位附加阻力,w pi 为第i节车厢的坡道附加阻力,w ri 为第i节车厢的曲线附加阻力,w si 为第i节车厢的隧道附加阻力;
初始模型确定子模块,用于根据高速列车每节车厢所受到的控制力、基本阻力、相邻车厢间的车钩力以及每节车厢在运行时所受到的总单位附加阻力,确定初始的高速列车纵向动力学模型为;其中,m i 为第i节车厢的质量,为第i节车厢的加速度,U i 为高速列车第i节车厢在运行过程中的控制力,为第i节车厢所受到的基本阻力,为第i节车厢所受到的附加阻力,和分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数;
最终模型确定子模块,用于基于初始的高速列车纵向动力学模型,考虑高速列车在运行过程中存在车厢之间人员流动的情况,确定最终的高速列车纵向动力学模型为;其中,M表示各节车厢的质量系数矩阵,M=diag(m 1,m 2,…,m i , …,m n );ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm 1, Δm 2,…, Δm i , …, Δm n );、和X表示各节车厢的加速度、速度和位置矩阵,;U表示各节车厢的动力,U=[U 1, U 2, …, U i , …, U n ] T ;K和d分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数,表示各节车厢运行中的附加阻力矩阵,=diag[f w1(X 1), …, f wi (X i ), …, f wn (X n )];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰。
可选的,所述理想反馈控制量确定模块,具体包括:
理想反馈控制量确定子模块,用于根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,利用所述理想反馈控制器,确定每节车厢的理想反馈控制量。
可选的,所述径向基函数神经网络控制器构成模块,具体包括:
控制律确定子模块,用于采用神经网络最小参数自适应学习法,定义,并确定实际反馈控制量的控制律为;其中,U i 为第i节车厢的实际反馈控制量,为第i节车厢理想的神经网络权值向量,为的F范数,ρ i 为第i节车厢理想的神经网络等效权值,为ρ i 的估计值,h i 为隐含层节点向量;
控制器构成子模块,用于利用径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,结合实际反馈控制量的控制律,构成径向基函数神经网络控制器。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的目的是提供一种高速列车速度控制方法及系统,建立考虑了车钩和附加阻力的高速列车纵向动力学模型,根据高速列车动力分散的特点提出了一种最小参数自适应径向基函数神经网络控制方法,利用径向基函数神经网络控制器逼近所述理想反馈控制量,并采用神经网络最小参数自适应学习法将径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,提高了高速列车对于给定目标速度位移曲线的跟踪精度,使列车在处理复杂路况变化时同样具有较高的控制精度和较快的稳定速度,并具有一定的抗干扰能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的高速列车速度控制方法的流程图;
图2为本发明提供的高速列车最小参数自适应RBFNN控制的闭环原理框图;
图3为本发明提供的高速列车纵向动力学模型中车钩作用原理示意图;
图4为本发明提供的高速列车纵向动力学模型坡道附加阻力分析示意图;
图5为本发明提供的高速列车最小参数自适应RBFNN控制器网络结构图;
图6为本发明实施例中高速列车运行经过的线路纵断面示意图;
图7为最小参数自适应RBFNN控制器下高速列车各节车厢位移跟踪曲线;
图8为反演滑模控制器下高速列车各节车厢位移跟踪曲线;
图9为最小参数自适应RBFNN控制器下高速列车各节车厢位移跟踪误差曲线;
图10为反演滑模控制器下高速列车各节车厢位移跟踪误差曲线;
图11为最小参数自适应RBFNN控制器下高速列车各节车厢对目标速度的跟踪曲线;
图12为反演滑模控制器下高速列车各节车厢对目标速度的跟踪曲线;
图13为最小参数自适应RBFNN控制器下高速列车各节车厢对目标速度的跟踪误差曲线;
图14为反演滑模控制器下高速列车各节车厢对目标速度的跟踪误差曲线;
图15为最小参数自适应RBFNN控制器下高速列车各节动力车厢的控制力曲线;
图16为反演滑模控制器下高速列车各节动力车厢的控制力曲线;
图17为最小参数自适应RBFNN控制器下高速列车各个车钩的车钩力变化曲线;
图18为反演滑模控制器下高速列车各个车钩的车钩力变化曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种高速列车速度控制方法及系统,以提高高速列车对于给定目标速度位移曲线的跟踪精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种高速列车速度控制方法,如图1-2所示,方法包括:
步骤101,建立考虑车钩和附加阻力的高速列车纵向动力学模型。
具体包括:
根据高速列车各节车厢间的车钩作用特点,利用公式 ,确定相邻车厢间的车钩力;其中,为第i节车厢与第i+1节车厢之间的车钩力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;Δd为车钩形变量,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m;和分别为第i节车厢和第i+1节车厢的速度,单位为m/s;
根据高速列车运行过程中所受到的附加阻力的特点,利用公式,确定每节车厢在运行时所受到的总单位附加阻力;其中,w gi 为第i节车厢在运行时所受到的总单位附加阻力,w pi 为第i节车厢的坡道附加阻力,w ri 为第i节车厢的曲线附加阻力,w si 为第i节车厢的隧道附加阻力;
根据高速列车每节车厢所受到的控制力、基本阻力、相邻车厢间的车钩力以及每节车厢在运行时所受到的总单位附加阻力,确定初始的高速列车纵向动力学模型为;其中,m i 为第i节车厢的质量,为第i节车厢的加速度,U i 为高速列车第i节车厢在运行过程中的控制力,为第i节车厢所受到的基本阻力,为第i节车厢所受到的附加阻力,和分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数;
基于初始的高速列车纵向动力学模型,考虑高速列车在运行过程中存在车厢之间人员流动的情况,确定最终的高速列车纵向动力学模型为;其中,M表示各节车厢的质量系数矩阵,M=diag(m 1,m 2,…,m i , …,m n );ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm 1, Δm 2,…, Δm i , …, Δm n );、和X表示各节车厢的加速度、速度和位置矩阵,;U表示各节车厢的动力,U=[U 1, U 2, …, U i ,…, U n ] T ;K和d分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数,表示各节车厢运行中的附加阻力矩阵,=diag[f w1(X 1), …, f wi (X i ), …, f wn (X n )];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰。
步骤102,根据目标速度-位移曲线、实际速度和实际位移,获得高速列车每节车厢的速度跟踪误差和位移跟踪误差。
步骤103,根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差。
具体包括:
根据高速列车每节车厢的位移跟踪误差和速度跟踪误差,利用误差函数,确定每节车厢的滑模误差。
步骤104,根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量。
具体包括:
基于高速列车纵向动力学模型,对误差函数进行求导,获得求导公式为;其中,表示第i节车厢的实际加速度,表示第i节车厢的目标加速度,G(X i )表示高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数,表示第i节车厢的简化函数,表示高速列车第i节车厢运行过程中可能受到的等效未知干扰,表示第i节车厢的过渡参数变量,表示第i节车厢的加速度跟踪误差;
根据每节车厢的滑模误差、实际速度和目标速度,利用过渡参数变量的计算公式,确定每节车厢的过渡参数变量。
步骤105,根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量。
具体包括:
根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,利用理想反馈控制器,确定每节车厢的理想反馈控制量。
步骤106,采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器。
具体包括:
采用神经网络最小参数自适应学习法,定义,并确定实际反馈控制量的控制律为;其中,U i 为第i节车厢的实际反馈控制量,为第i节车厢理想的神经网络权值向量,为的F范数,ρ i 为第i节车厢理想的神经网络等效权值,为ρ i 的估计值,h i 为隐含层节点向量;
利用径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,结合实际反馈控制量的控制律,构成径向基函数神经网络控制器。
步骤107,将每节车厢的实际速度、实际位移、滑模误差、过渡参数变量和滑模误差修正量作为输入量输入径向基函数神经网络控制器,利用径向基函数神经网络控制器逼近理想反馈控制量,输出每节车厢的实际控制量;实际控制量包括实际速度控制量和实际位移控制量。
步骤108,基于高速列车纵向动力学模型,根据每节车厢的实际控制量对每节车厢进行控制,实现对高速列车的速度和位移的跟踪控制。
下面对本方法的建模和控制设计进行详细的介绍:
1、考虑车钩力及复杂附加阻力的高速列车纵向动力学模型的建立。
根据图3所示的列车车钩作用原理示意图确定车厢间的车钩力,其计算公式如下:
式中为第i节车厢与第i+1节车厢之间的车钩作用力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;Δd为车钩形变量, ,X i 和X i+1分别为第i节车厢和第i+1节车厢的位置,为第i节车厢与第i+1节车厢之间固定车体的长度之和,列车车钩未发生形变前的原始长度,定义,则,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m;和分别为第i节车厢和第i+1节车厢的速度,单位为m/s。
高速列车在考虑为纵向多质点模型时运行过程中会存在不同车厢运行于不同路况的情形,举例如高速列车坡道附加阻力可根据图4所示的高速列车纵向动力学模型坡道附加阻力分析示意图确定,确定方法如下:
高速列车纵向动力学模型坡道附加阻力分析示意图中L 1和L 2分别表示为高速列车在坡道1和坡道2上的长度,单位为m。θ 1和θ 2分别为坡道1和坡道2的坡道千分数;则行驶在坡道1上的车厢所受到的单位坡道附加阻力为w p =θ 1,行驶在坡道2上的车厢所受到的单位坡道附加阻力为w p =θ 2,单位都为N/KN。
同理可确定曲线附加阻力w r 及隧道附加阻力w s ,从而确定高速列车第i节车厢在运行时所受到的总单位附加阻力为:
w gi =w pi +w ri +w si
通过分别对高速列车每节车厢所受到的控制力、基本阻力以及所述方法确定的车钩力和附加阻力可得到高速列车的纵向动力学模型为:
式中,m i 为第i节车厢的质量,为第i节车厢的加速度,U i 为第i节车厢的动力,为第i节车厢所受到的基本阻力,为第i节车厢所受到的附加阻力,和分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数。
式中,M表示各节车厢的质量系数矩阵,M=diag(m 1,m 2,…,m i , …,m n );ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm 1, Δm 2,…, Δm i , …, Δm n );、和X表示各节车厢的加速度、速度和位置矩阵,;U表示各节车厢的动力,U=[U 1,U 2, …, U i , …, U n ] T ;K和d分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数,表示各节车厢运行中的附加阻力矩阵,=diag[f w1(X 1), …, f wi (X i ), …, f wn (X n )];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰,具体如下:
M=diag(m 1,m 2,…,m i , …,m n );ΔM=diag(Δm 1, Δm 2,…, Δm i , …, Δm n );
U=[U 1,U 2,…,U i ,…,U n ] T ;a=[a 1,a 2,…,a i ,…,a n ] T ;
b=diag(b 1,b 2,…,b i ,…,b n );c=diag(c 1,c 2,…,c i ,…,c n );
2、基于最小参数自适应RBFNN(Radial Basis Function Neural Network,径向基函数神经网络)的高速列车速度控制器设计。该控制方法首先基于所建立的高速列车纵向动力学模型设计了一种理想的分布式反馈控制律,然后利用自适应RBF神经网络的无限逼近特性来逼近该控制律,并且采用了神经网络最小参数自适应学习法,通过设计参数估计自适应律代替神经网络权值的调整,以提高网络的学习速度,最后通过神经网络的输出得到列车实际的控制量,以此来实现高速列车运行过程速度位移的较高精度控制。
首先为方便控制器的设计可将高速列车纵向动力学模型写成如下形式:
式中,、U和分别表示为高速列车各节车厢在运行过程中的加速度、控制力和速度,为高速列车运行过程中可能受到的未知干扰,且满足,;考虑G(X)为高速列车内部乘客流动而造成的车厢质量变化函数,且存在一个光滑的函数,使得。假设高速列车各节车厢的理想位置输出矩阵为Xd,位置的跟踪误差为e=X-Xd=[e 1,e 2,…,e i ,…,e n ] T ;则高速列车各节车厢的速度矩阵为,速度跟踪误差为。定义误差函数如下。
式中,s i 表示为第i节车厢的误差函数,λ i >0,从而多项式s i +λ i 是满足Hurwitz。
对(5)式误差函数求导可得:
在控制律式(7)中,由于高速列车在实际的运行过程中,参数的摄动和各种未知干扰会造成其中和G(X i )未知,则也就无法实现。但由表达式可见,是关于X i 、s i 、和几个变量的连续函数,故可采用RBF神经网络来逼近控制律。
将式(13)代入式(6)可得
将理想反馈控制律式(7)代入式(15),可以得到
那么自适应律可设计成如下形式:
以下选用CRH380B型高速列车为实验验证对象,说明本发明的跟踪控制方法的效果:
通过仿真模拟了高速列车在3400s内的运行过程,运行距离为240km,整个过程包括两个加速阶段、两个减速阶段、四个巡航阶段和一个制动阶段。同时为验证本发明控制方法在应对复杂路况变化时的控制效果,仿真时使用了长度为240km的高速铁路线路数据进行模拟,如图6为此段高铁线路纵断面示意图。由于高速列车在行进过程中会受到诸如轨面不平、阵风等因素的影响,而这些因素所引起的干扰具有随机性,因此本发明在仿真中分别在三个不同时段引入三个时变函数来表示高速列车在运行过程中所受到的外加干扰。
通过载入相同的目标速度位移曲线和线路数据,且设定相同的外加干扰,来对比基于最小参数自适应RBFNN的高速列车控制器及反演滑模(BackStepp -ing SlidingMode)控制器的跟踪控制效果。
图7-图10所示为所得到的两种控制方法下高速列车各节车厢的位移跟踪曲线和位移跟踪误差曲线。由图可以看出本发明所提方法下列车的正负最大位移跟踪误差范围为[-0.0114,0.0146] m,相比于BSSM方法的[-0.7687,0.9480] m范围更小;说明本发明所提出的控制方法具有更高的控制精度。
图11-图14所示为所得到的两种控制方法下高速列车各节车厢的速度跟踪曲线和速度跟踪误差曲线。由图11和图12可以看出本发明所提方法的控制效果明显优于反演滑模控制方法;由图13和图14可以看出本发明所提方法下正负最大速度跟踪误差范围为[-0.0179,0.0159] km/h,相比于BSSM方法的[-0.1544,0.1613] km/h范围更小;对比图13和图14,如当高速列车行驶到18km时,其运行工况从加速阶段转为匀速巡航阶段,可以看出本发明所提方法在列车行驶至18.4km时误差趋于了平稳,而BSSM方法在行驶至21km时误差才趋于平稳,说明本发明具有更快的收敛速度,且波动幅度更小,表明了本发明所提方法在处理列车运行工况发生变化时控制效果更佳;而当高速列车分别行驶至40km和45km时,会分别进入坡道和弯道,此时其会受到额外的坡道附加阻力和曲线附加阻力,同样可以看出本发明所提方法相较于BSSM方法可以以更快的速度实现对目标速度的跟随,且误差的变化量更小,比较有利于列车的安全性和舒适性,说明本发明所提方法在处理列车运行路况发生变化时更具优势;当高速列车行驶至199.34km时,会受到事先设定好的外加干扰,从图中可以发现本发明所提方法相较于BSSM方法在应对外加干扰时能够以更快的速度收敛下来,且变化的幅度和次数更少,可以从一定程度上提高列车在行驶过程中的舒适性,表明了本发明所提方法具有更好的抗干扰能力。
图15和图16为两种控制方法下高速列车各节动车车厢控制力曲线。通过对比图15和图16可以看出,如当高速列车行驶至18km时,列车的运行工况从加速阶段变为匀速巡航阶段,而本发明所提方法下的各动车控制力相较于BSSM方法更加的平缓,表明其能够以更快地速度应对运行工况的变化;再比如当列车行驶到至40km和45km时,列车运行的路况发生变化,很明显可以看出本发明所提方法下的各节动车控制力输出相较于BSSM方法稳定速度更快,且也相对更加平缓,更有利控制器的输出和车辆运行的平稳性。而当车辆行驶至199.34km时,车辆会受到来自外界的附加干扰,对比可以看出本发明所提方法相较于BSSM方法的各节动车控制力的输出变化更为平缓且不会出现振荡,有力的说明了本发明所提方法具有更强的抗干扰能力。
图17和图18为两种控制方法下高速列车各个车钩力的变化曲线。对比可以看出本发明所提方法无论是在列车运行工况发生变化的情况下,还是在列车运行路况发生变化的情况下,亦或是在列车受到外界附件干扰时,列车各个车钩力的变化都更加平缓,这对于降低车钩磨损速度,延长车钩工作寿命,提升列车运行安全性和舒适性有着重要的作用。
本发明公开了一种基于最小参数自适应RBFNN的高速列车速度控制方法及系统,通过建立考虑了车钩和附加阻力的高速列车纵向动力学模型,根据高速列车动力分散的特点提出了一种最小参数自适应RBFNN控制方法,提高了高速列车对于给定目标速度位移曲线的跟踪精度,使列车在处理复杂路况变化时同样具有较高的控制精度和较快的稳定速度,并具有一定的抗干扰能力。
本发明还提供了一种高速列车速度控制系统,系统包括:
高速列车纵向动力学模型建立模块,用于建立考虑车钩和附加阻力的高速列车纵向动力学模型;
跟踪误差获得模块,用于根据目标速度-位移曲线、实际速度和实际位移,获得高速列车每节车厢的速度跟踪误差和位移跟踪误差;
滑模误差确定模块,用于根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差;
过渡参数变量获得模块,用于根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量;
理想反馈控制量确定模块,用于根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量;
径向基函数神经网络控制器构成模块,用于采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器;
实际控制量输出模块,用于将每节车厢的实际速度、实际位移、滑模误差、过渡参数变量和滑模误差修正量作为输入量输入径向基函数神经网络控制器,利用径向基函数神经网络控制器逼近所述理想反馈控制量,输出每节车厢的实际控制量;所述实际控制量包括实际速度控制量和实际位移控制量;
跟踪控制模块,用于基于高速列车纵向动力学模型,根据每节车厢的实际控制量对每节车厢进行控制,实现对高速列车的速度和位移的跟踪控制。
所述高速列车纵向动力学模型建立模块,具体包括:
车钩力确定子模块,用于根据高速列车各节车厢间的车钩作用特点,利用公式 ,确定相邻车厢间的车钩力;其中,为第i节车厢与第i+1节车厢之间的车钩力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;Δd为车钩形变量,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m;和分别为第i节车厢和第i+1节车厢的速度,单位为m/s;
附加阻力确定子模块,用于根据高速列车运行过程中所受到的附加阻力的特点,利用公式w gi =w pi +w ri +w si ,确定每节车厢在运行时所受到的总单位附加阻力;其中,w gi 为第i节车厢在运行时所受到的总单位附加阻力,w pi 为第i节车厢的坡道附加阻力,w ri 为第i节车厢的曲线附加阻力,w si 为第i节车厢的隧道附加阻力;
初始模型确定子模块,用于根据高速列车每节车厢所受到的控制力、基本阻力、相邻车厢间的车钩力以及每节车厢在运行时所受到的总单位附加阻力,确定初始的高速列车纵向动力学模型为;其中,m i 为第i节车厢的质量,为第i节车厢的加速度,U i 为高速列车第i节车厢在运行过程中的控制力,为第i节车厢所受到的基本阻力,为第i节车厢所受到的附加阻力,和分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数;
最终模型确定子模块,用于基于初始的高速列车纵向动力学模型,考虑高速列车在运行过程中存在车厢之间人员流动的情况,确定最终的高速列车纵向动力学模型为;其中,M表示各节车厢的质量系数矩阵,M=diag(m 1,m 2,…,m i , …,m n );ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm 1, Δm 2,…, Δm i , …, Δm n );、和X表示各节车厢的加速度、速度和位置矩阵,;U表示各节车厢的动力,U=[U 1, U 2, …, U i , …, U n ] T ;K和d分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数,表示各节车厢运行中的附加阻力矩阵,=diag[f w1(X 1), …, f wi (X i ), …, f wn (X n )];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰。
所述理想反馈控制量确定模块,具体包括:
理想反馈控制量确定子模块,用于根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,利用所述理想反馈控制器,确定每节车厢的理想反馈控制量。
所述径向基函数神经网络控制器构成模块,具体包括:
控制律确定子模块,用于采用神经网络最小参数自适应学习法,定义,并确定实际反馈控制量的控制律为;其中,U i 为第i节车厢的实际反馈控制量,为第i节车厢理想的神经网络权值向量,为的F范数,ρ i 为第i节车厢理想的神经网络等效权值,为ρ i 的估计值,h i 为隐含层节点向量;
控制器构成子模块,用于利用径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,结合实际反馈控制量的控制律,构成径向基函数神经网络控制器。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明中应用了具体个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。
Claims (2)
1.一种高速列车速度控制方法,其特征在于,所述方法包括:
建立考虑车钩和附加阻力的高速列车纵向动力学模型;具体包括:根据高速列车各节车厢间的车钩作用特点,利用公式 ,确定相邻车厢间的车钩力;根据高速列车运行过程中所受到的附加阻力的特点,利用公式w gi =w pi +w ri +w si ,确定每节车厢在运行时所受到的总单位附加阻力;根据高速列车每节车厢所受到的控制力、基本阻力、相邻车厢间的车钩力以及每节车厢在运行时所受到的总单位附加阻力,确定初始的高速列车纵向动力学模型为;基于初始的高速列车纵向动力学模型,考虑高速列车在运行过程中存在车厢之间人员流动的情况,确定最终的高速列车纵向动力学模型为;其中,为第i节车厢与第i+1节车厢之间的车钩力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;Δd为车钩形变量,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m;和分别为第i节车厢和第i+1节车厢的速度,单位为m/s;w gi 为第i节车厢在运行时所受到的总单位附加阻力,w pi 为第i节车厢的坡道附加阻力,w ri 为第i节车厢的曲线附加阻力,w si 为第i节车厢的隧道附加阻力;m i 为第i节车厢的质量,为第i节车厢的加速度,U i 为高速列车第i节车厢在运行过程中的控制力,为第i节车厢所受到的基本阻力,为第i节车厢所受到的附加阻力,和分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数;M表示各节车厢的质量系数矩阵,M=diag(m 1,m 2,…,m i , …,m n );ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm 1, Δm 2,…, Δm i , …, Δm n );、和X表示各节车厢的加速度、速度和位置矩阵,;U表示各节车厢的动力,U=[U 1, U 2, …, U i ,…, U n ] T ;K和d分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数,表示各节车厢运行中的附加阻力矩阵,=diag[f w1(X 1), …, f wi (X i ), …, f wn (X n )];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰;
根据目标速度-位移曲线、实际速度和实际位移,获得高速列车每节车厢的速度跟踪误差和位移跟踪误差;
根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差;具体包括:构建误差函数为;根据高速列车每节车厢的位移跟踪误差和速度跟踪误差,利用误差函数,确定每节车厢的滑模误差;其中,s i 表示第i节车厢的滑模误差,λ i 表示第i节车厢的滑模系数,e i 表示第i节车厢的位移跟踪误差,表示第i节车厢的速度跟踪误差;
根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量;具体包括:将最终的高速列车纵向动力学模型简写为;基于高速列车纵向动力学模型,对误差函数进行求导,获得求导公式为;根据求导公式,确定过渡参数变量的计算公式为;根据每节车厢的滑模误差、实际速度和目标速度,利用过渡参数变量的计算公式,确定每节车厢的过渡参数变量;其中,表示高速列车运行过程中可能受到的等效未知干扰,;G(X)表示高速列车内部乘客流动而造成的车厢质量变化函数,G(X)=1/(M+ΔM);表示简化函数,;表示第i节车厢的实际加速度,表示第i节车厢的目标加速度,G(X i )表示高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数,表示第i节车厢的简化函数,表示高速列车第i节车厢运行过程中可能受到的等效未知干扰,表示第i节车厢的过渡参数变量,表示第i节车厢的加速度跟踪误差;
根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量;具体包括:构建理想反馈控制器为;根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,利用所述理想反馈控制器,确定每节车厢的理想反馈控制量;其中,为理想反馈控制量,为比例系数,为高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数的导数;
采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器;具体包括:采用神经网络最小参数自适应学习法,定义,并确定实际反馈控制量的控制律为;根据实际反馈控制量的控制律和误差函数,确定径向基函数神经网络权值最小参数自适应律为;利用径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,结合实际反馈控制量的控制律,构成径向基函数神经网络控制器;其中,U i 为第i节车厢的实际反馈控制量,为第i节车厢理想的神经网络权值向量,为的F范数,ρ i 为第i节车厢理想的神经网络等效权值,为ρ i 的估计值,h i 为隐含层节点向量;为的导数,γ和χ分别为第一、第二自适应系数;
将每节车厢的实际速度、实际位移、滑模误差、过渡参数变量和滑模误差修正量作为输入量输入径向基函数神经网络控制器,利用径向基函数神经网络控制器逼近所述理想反馈控制量,输出每节车厢的实际控制量;所述实际控制量包括实际速度控制量和实际位移控制量;
基于高速列车纵向动力学模型,根据每节车厢的实际控制量对每节车厢进行控制,实现对高速列车的速度和位移的跟踪控制。
2.一种高速列车速度控制系统,其特征在于,所述系统包括:
高速列车纵向动力学模型建立模块,用于建立考虑车钩和附加阻力的高速列车纵向动力学模型;具体包括:车钩力确定子模块,用于根据高速列车各节车厢间的车钩作用特点,利用公式 ,确定相邻车厢间的车钩力;附加阻力确定子模块,用于根据高速列车运行过程中所受到的附加阻力的特点,利用公式w gi =w pi +w ri +w si ,确定每节车厢在运行时所受到的总单位附加阻力;初始模型确定子模块,用于根据高速列车每节车厢所受到的控制力、基本阻力、相邻车厢间的车钩力以及每节车厢在运行时所受到的总单位附加阻力,确定初始的高速列车纵向动力学模型为;最终模型确定子模块,用于基于初始的高速列车纵向动力学模型,考虑高速列车在运行过程中存在车厢之间人员流动的情况,确定最终的高速列车纵向动力学模型为;其中,为第i节车厢与第i+1节车厢之间的车钩力,单位为N;k为车钩系统的弹性耦合系数,单位为N/m;Δd为车钩形变量,单位都为m;d为车钩系统的阻尼系数,单位为(N·s)/m;和分别为第i节车厢和第i+1节车厢的速度,单位为m/s;w gi 为第i节车厢在运行时所受到的总单位附加阻力,w pi 为第i节车厢的坡道附加阻力,w ri 为第i节车厢的曲线附加阻力,w si 为第i节车厢的隧道附加阻力;m i 为第i节车厢的质量,为第i节车厢的加速度,U i 为高速列车第i节车厢在运行过程中的控制力,为第i节车厢所受到的基本阻力,为第i节车厢所受到的附加阻力,和分别为第i节车厢所受到的前车车钩力和后车车钩力,n为车厢的总节数;M表示各节车厢的质量系数矩阵,M=diag(m 1,m 2,…,m i , …,m n );ΔM表示各车厢之间的质量流动矩阵,ΔM=diag(Δm 1, Δm 2,…, Δm i , …, Δm n );、和X表示各节车厢的加速度、速度和位置矩阵,;U表示各节车厢的动力,U=[U 1, U 2, …, U i , …, U n ] T ;K和d分别表示各节车厢的弹簧系数和阻尼系数矩阵,a、b和c分别表示各节车厢的第一、第二、第三基本阻力系数,表示各节车厢运行中的附加阻力矩阵,=diag[f w1(X 1), …,f wi (X i ), …, f wn (X n )];l表示每两对车厢间的固定车体部分和车钩未发生形变前原始长度之和的矩阵;表示高速列车在运行过程中所受到的未知干扰;
跟踪误差获得模块,用于根据目标速度-位移曲线、实际速度和实际位移,获得高速列车每节车厢的速度跟踪误差和位移跟踪误差;
滑模误差确定模块,用于根据高速列车每节车厢的速度跟踪误差和位移跟踪误差,确定每节车厢的滑模误差;具体包括:构建误差函数为;根据高速列车每节车厢的位移跟踪误差和速度跟踪误差,利用误差函数,确定每节车厢的滑模误差;其中,s i 表示第i节车厢的滑模误差,λ i 表示第i节车厢的滑模系数,e i 表示第i节车厢的位移跟踪误差,表示第i节车厢的速度跟踪误差;
过渡参数变量获得模块,用于根据每节车厢的滑模误差、实际速度和目标速度,基于高速列车纵向动力学模型,获得每节车厢的过渡参数变量;具体包括:将最终的高速列车纵向动力学模型简写为;基于高速列车纵向动力学模型,对误差函数进行求导,获得求导公式为;根据求导公式,确定过渡参数变量的计算公式为;根据每节车厢的滑模误差、实际速度和目标速度,利用过渡参数变量的计算公式,确定每节车厢的过渡参数变量;其中,表示高速列车运行过程中可能受到的等效未知干扰,;G(X)表示高速列车内部乘客流动而造成的车厢质量变化函数,G(X)=1/(M+ΔM);表示简化函数,;表示第i节车厢的实际加速度,表示第i节车厢的目标加速度,G(X i )表示高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数,表示第i节车厢的简化函数,表示高速列车第i节车厢运行过程中可能受到的等效未知干扰,表示第i节车厢的过渡参数变量,表示第i节车厢的加速度跟踪误差;
理想反馈控制量确定模块,用于根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,确定每节车厢的理想反馈控制量;具体包括:理想反馈控制器构建子模块,用于构建理想反馈控制器为;理想反馈控制量确定子模块,用于根据每节车厢的滑模误差、实际速度、实际位移和过渡参数变量,利用所述理想反馈控制器,确定每节车厢的理想反馈控制量;其中,为理想反馈控制量,为比例系数,为高速列车内部第i节车厢乘客流动而造成的车厢质量变化函数的导数,表示第i节车厢的简化函数;
径向基函数神经网络控制器构成模块,用于采用神经网络最小参数自适应学习法构建径向基函数神经网络权值最小参数自适应律,构成径向基函数神经网络控制器;具体包括:控制律确定子模块,用于采用神经网络最小参数自适应学习法,定义,并确定实际反馈控制量的控制律为;自适应律确定子模块,用于根据实际反馈控制量的控制律和误差函数,确定径向基函数神经网络权值最小参数自适应律为;控制器构成子模块,用于利用径向基函数神经网络权值最小参数自适应律代替神经网络权值的调整,结合实际反馈控制量的控制律,构成径向基函数神经网络控制器;其中,U i 为第i节车厢的实际反馈控制量,为第i节车厢理想的神经网络权值向量,为的F范数,ρ i 为第i节车厢理想的神经网络等效权值,为ρ i 的估计值,h i 为隐含层节点向量;为的导数,γ和χ分别为第一、第二自适应系数;
实际控制量输出模块,用于将每节车厢的实际速度、实际位移、滑模误差、过渡参数变量和滑模误差修正量作为输入量输入径向基函数神经网络控制器,利用径向基函数神经网络控制器逼近所述理想反馈控制量,输出每节车厢的实际控制量;所述实际控制量包括实际速度控制量和实际位移控制量;
跟踪控制模块,用于基于高速列车纵向动力学模型,根据每节车厢的实际控制量对每节车厢进行控制,实现对高速列车的速度和位移的跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131165.7A CN114167733B (zh) | 2022-02-14 | 2022-02-14 | 一种高速列车速度控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131165.7A CN114167733B (zh) | 2022-02-14 | 2022-02-14 | 一种高速列车速度控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114167733A CN114167733A (zh) | 2022-03-11 |
CN114167733B true CN114167733B (zh) | 2022-06-14 |
Family
ID=80489914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210131165.7A Active CN114167733B (zh) | 2022-02-14 | 2022-02-14 | 一种高速列车速度控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167733B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116339155B (zh) * | 2023-05-25 | 2023-08-15 | 华东交通大学 | 高速动车组数据驱动积分滑模控制方法、系统及设备 |
CN117389157B (zh) * | 2023-12-11 | 2024-02-27 | 华东交通大学 | 虚拟编组高速列车运行滑模控制方法、系统、设备及介质 |
CN117930666B (zh) * | 2024-03-25 | 2024-05-24 | 华东交通大学 | 基于快速变幂次趋近律的动车组控制方法、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112109773A (zh) * | 2020-09-01 | 2020-12-22 | 北京航空航天大学 | 一种基于h∞和多目标优化的列车速度控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH671930A5 (zh) * | 1986-07-31 | 1989-10-13 | Sig Schweiz Industrieges | |
KR101398628B1 (ko) * | 2007-02-12 | 2014-05-22 | 삼성전자주식회사 | 이동 단말의 절전 모드를 이용한 핸드오프 제어 시스템 및그 제어 방법 |
CN103019267B (zh) * | 2012-12-10 | 2016-06-22 | 华东交通大学 | 高速列车anfis建模与运行速度预测控制方法 |
CN106873369B (zh) * | 2017-02-28 | 2019-06-04 | 北京交通大学 | 针对列车输入受限和执行器故障的自适应容错控制方法 |
CN106970528B (zh) * | 2017-04-06 | 2019-06-04 | 北京交通大学 | 一种针对列车执行器失效故障的自适应反步容错控制方法 |
CN108628169B (zh) * | 2018-06-01 | 2021-05-18 | 湖南工业大学 | 基于多智能体的动车组停车一致性控制方法 |
CN112406822B (zh) * | 2020-10-20 | 2022-04-22 | 湖南工业大学 | 一种考虑黏着与舒适度的高速列车制动力优化分配方法 |
CN112486024A (zh) * | 2021-01-12 | 2021-03-12 | 华东交通大学 | 一种基于多质点模型的高速列车自适应控制方法及系统 |
-
2022
- 2022-02-14 CN CN202210131165.7A patent/CN114167733B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112109773A (zh) * | 2020-09-01 | 2020-12-22 | 北京航空航天大学 | 一种基于h∞和多目标优化的列车速度控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114167733A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114167733B (zh) | 一种高速列车速度控制方法及系统 | |
CN111507019B (zh) | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 | |
CN110647031B (zh) | 用于高速列车的抗饱和自适应伪pid滑模故障容错控制方法 | |
CN107791773B (zh) | 一种基于规定性能函数的整车主动悬架系统振动控制方法 | |
Peng | Adaptive intelligent backstepping longitudinal control of vehicleplatoons using output recurrent cerebellar model articulation controller | |
CN112346346A (zh) | 一种重载列车速度跟踪控制方法及系统 | |
Ma et al. | Direct yaw-moment control of electric vehicles based on adaptive sliding mode | |
CN109375510B (zh) | 一种用于高速列车的自适应滑模容错控制方法 | |
Phadke et al. | Control of antilock braking systems using disturbance observer with a novel nonlinear sliding surface | |
CN110687907B (zh) | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 | |
CN112486024A (zh) | 一种基于多质点模型的高速列车自适应控制方法及系统 | |
CN110758413B (zh) | 一种基于系统参数辨识的列车速度自适应控制方法 | |
Graffione et al. | Model predictive control of a vehicle platoon | |
US20220155783A1 (en) | Use of neural networks in control systems | |
CN113911172A (zh) | 一种基于自适应动态规划的高速列车优化运行控制方法 | |
CN113064424A (zh) | 一种改进ddpg算法的无人车路径规划方法 | |
Villagrá et al. | Model-free control techniques for Stop & Go systems | |
Guo et al. | Adaptive fuzzy sliding mode control for high‐speed train using multi‐body dynamics model | |
Liu et al. | Wheel/rail adhesion state identification of heavy-haul locomotive based on particle swarm optimization and kernel extreme learning machine | |
CN117048667A (zh) | 一种基于车辆动态响应辨识的重载列车控制方法及系统 | |
Fritz et al. | Automatic cruise control of a mechatronically steered vehicle convoy | |
Patel et al. | Comparative analysis of two non-linear observers for estimation of tyre/road contact in the presence of imperfect measurements | |
CN117930666B (zh) | 基于快速变幂次趋近律的动车组控制方法、设备及介质 | |
CN113759701A (zh) | 一种高速列车速度控制方法及系统 | |
Lúa et al. | Nonlinear observer-based adaptive control of ground vehicles with uncertainty estimation |
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 |