CN114274787B - 基于自适应神经网络的磁悬浮列车运行控制方法 - Google Patents
基于自适应神经网络的磁悬浮列车运行控制方法 Download PDFInfo
- Publication number
- CN114274787B CN114274787B CN202111508085.0A CN202111508085A CN114274787B CN 114274787 B CN114274787 B CN 114274787B CN 202111508085 A CN202111508085 A CN 202111508085A CN 114274787 B CN114274787 B CN 114274787B
- Authority
- CN
- China
- Prior art keywords
- train
- neural network
- adaptive
- sliding mode
- fractional order
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000000725 suspension Substances 0.000 title claims abstract description 23
- 238000005339 levitation Methods 0.000 claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 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
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于自适应神经网络的磁悬浮列车运行控制方法。该方法包括:设计磁悬浮列车的动力学模型,根据磁悬浮列车的动力学模型利用分数阶滑模自适应算法产生牵引力或制动力,控制列车运行;设计分数阶滑模自适应神经网络控制器,分数阶滑模自适应神经网络控制器根据列车运行误差信息计算出列车的运行阻力;根据列车的运行阻力产生相应的补偿控制力,利用补偿控制力调整控制列车的运行。本发明利用分数阶滑模自适应算法产生牵引或制动力控制列车运行,基于神经网络估计并补偿列车运行中受到的各项阻力,本发明提出的运行控制算法有效提高了磁悬浮列车的位置与速度控制性能。
Description
技术领域
本发明涉及磁悬浮列车运行控制技术领域,尤其涉及一种基于自适应神经网络的磁悬浮列车运行控制方法。
背景技术
磁悬浮列车利用电磁力实现自身的悬浮、导向以及牵引驱动。与传统的轮轨交通方式相比,磁悬浮交通具有噪声低、线路适应性强、牵引制动性能好、维护工作量小以及寿命长等优点。随着长沙磁悬浮快线和北京S1线等低速磁浮线路的相继开通与运营,以及清远磁浮旅游专线的建设,磁悬浮交通将成为我国21世纪的新型轨道交通方式。
OCS(Operation Control System,磁悬浮列车运行控制系统)的功能是运行指挥与安全防护,运行控制算法是其核心技术之一。目前,OCS主要借鉴传统轮轨列车的CBTC(Communication-Based Train Control System,基于通信的列车自动控制系统)系统。针对传统轮轨列车运行控制算法,国内外学者进行了深入研究。设计自适应模糊滑模控制算法补偿列车运行过程中的各项扰动,有效提高了列车停车制动精度。有学者通过分段线性化列车运行阻力,建立了动车组混合整数列车运行模型,利用模型预测控制算法实现列车运行控制,保障了列车安全高效运行。还有学者利用一种双自适应广义预测控制算法实现列车运行控制,提高了速度与位置跟踪精度,提高了列车运行的抗干扰能力与稳定性。然而,与传统轮轨列车的牵引方式不同,磁悬浮列车的牵引控制位于地面,借鉴CBTC系统设计的列车运行控制算法没有考虑磁悬浮交通的自身特性,并不完全适用于磁悬浮列车。因此,分析运行阻力对磁浮列车的影响,设计运行控制算法,提高列车运行性能,对我国磁悬浮交通的发展具有重要意义。
目前,现有技术对磁悬浮列车的研究主要集中在悬浮控制方面,无运行控制算法方面的研究成果。
发明内容
本发明的实施例提供了一种基于自适应神经网络的磁悬浮列车运行控制方法,以实现有效地控制磁悬浮列车的稳定运行。
为了实现上述目的,本发明采取了如下技术方案。
一种基于自适应神经网络的磁悬浮列车运行控制方法,包括:
设计磁悬浮列车的动力学模型,根据所述磁悬浮列车的动力学模型利用分数阶滑模自适应算法产生牵引力或制动力,控制列车运行;
设计分数阶滑模自适应神经网络控制器,所述分数阶滑模自适应神经网络控制器根据列车运行误差信息计算出列车的运行阻力;
根据列车的运行阻力产生相应的补偿控制力,利用所述补偿控制力调整控制列车的运行。
优选地,所述的设计磁悬浮列车的动力学模型,根据所述磁悬浮列车的动力学模型利用分数阶滑模自适应算法产生牵引力或制动力,控制列车运行,包括:
设计磁悬浮列车的动力学模型为:
ma=Ft-Fr (5)
式中:m为列车质量;a为列车加速度;Ft为列车运行过程中受到的牵引力或制动力;Fr为列车运行阻力,表示为如下形式:
Fr=Fa+Fe+Fi (6)
Fa、Fe与Fi分别为列车受到的空气阻力、涡流阻力以及坡道附加阻力;
由式(5),令控制输出u=Ft,得到磁浮列车运行控制系统如下:
式中:x(t)为列车在t时刻的位移;v(t)为列车在t时刻的速度。
优选地,所述的设计分数阶滑模自适应神经网络控制器,所述分数阶滑模自适应神经网络控制器根据列车运行误差信息计算出列车的运行阻力,包括:
假设列车运行的期望位移xd,期望速度vd以及期望加速度均有界,定义列车运行误差如下:
e(t)=x(t)-xd(t) (9)
设计分数阶自适应滑模面如下:
式中:和/>为待设计的自适应滑模参数;α∈R且α∈(0,1);
利用RBF神经网络计算并补偿列车运行阻力,将Fr改写为如下形式:
式中:为RBF神经网络的权重向量,p为神经元数量;/>为神经网络误差,且/>有界,满足/>为神经网络的输入向量,为神经网络的基函数,用高斯函数表示为:
和σk分别为神经元k的中心和宽度;
利用RBF神经网络,列车运行阻力的估计定义为:
式中:为权重向量/>的估计。
优选地,所述的根据列车的运行阻力产生相应的补偿控制力,利用所述补偿控制力调整控制列车的运行,包括:
将磁浮列车运行控制系统的各参数的估计误差表示为:
式中:为神经网络误差/>的上界ε0的估计;
设计分数阶滑模自适应神经网络控制律如下:
式中:ku为待设计的正参数;
所述分数阶滑模自适应神经网络控制器包含三个部分:为速度前馈部分,为分数阶滑模自适应等效控制部分,/>为自适应神经网络阻力补偿部分;
利用自适应更新律实时更新所述分数阶滑模自适应神经网络控制器中的参数和滑模自适应参数/>和/>的更新律为:
神经网络参数的估计和/>的更新律为:
式中:Γ为待设计的正定矩阵;kε为待设计的正参数;
针对式(7)和(8)定义的磁悬浮列车动力学系统,式(17)给出的分数阶滑模自适应神经网络控制器及式(18)-式(21)给出的参数自适应更新律保证磁浮列车运行控制系统渐进稳定,且当t→∞时,式(9)和(10)所示的系统误差收敛于0。
优选地,所述的方法还包括:
构造如下Lyapunov函数:
计算Lyapunov函数V的导数为:
根据RL分数阶微积分性质1和2,由式(7)、(8)和(11)可得
将式(17)和(24)代入式(23),Lyapunov函数V的导数变换为
将滑模参数自适应更新律(18)、(19)以及列车运行阻力的估计的自适应更新律(20)、(21)代入式(25),得到:
根据Lyapunov稳定性定理,s、和/>有界,当t→∞时,误差e及其导数/>收敛至0,系统渐进稳定,表明本发明实施例所提出的分数阶滑模自适应神经网络控制器可以保障磁悬浮列车稳定运行。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提出了一种基于分数阶滑模自适应神经网络控制算法的磁悬浮列车运行控制方法。该方法利用分数阶滑模自适应算法产生牵引或制动力控制列车运行,基于神经网络估计并补偿列车运行中受到的各项阻力。仿真结果表明,本发明提出的运行控制算法有效提高了磁悬浮列车的位置与速度控制性能。
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为本发明实施例提供的一种基于自适应神经网络的磁悬浮列车运行控制方法的处理流程图;
图2为本发明实施例提供的一种FO-SMAC-NN控制器的结构框图。
具体实施方式
下面详细描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。下面通过参考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、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“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。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例以磁悬浮列车为研究对象,考虑列车的各类运行阻力,建立了列车动力学模型,提出了一种基于分数阶滑模自适应神经网络的磁悬浮列车的运行控制方法。该方法主要包括三个部分:前馈部分,分数阶滑模自适应等效控制部分与神经网络运行阻力补偿部分。本发明实施例所提出的运行控制方法的原理是:利用分数阶滑模自适应算法产生牵引力或制动力,控制列车运行,根据列车运行误差信息,通过神经网络估计运行阻力,产生相应的补偿控制力,抑制运行阻力对列车运行的影响,提高列车运行控制性能。通过与PID(Proportional-Integral-Derivative,比例积分微分.)控制算法进行仿真对比,验证了所提出的FO-SMAC-NN算法的有效性与优越性。
本发明实施例提供的一种基于自适应神经网络的磁悬浮列车运行控制方法的处理流程如图1所示,包括如下的处理步骤:
步骤S10、设计磁悬浮列车的动力学模型,根据所述磁悬浮列车的动力学模型利用分数阶滑模自适应算法产生牵引力或制动力,控制列车运行。
根据牛顿运动定律,磁悬浮列车的动力学模型为:
ma=Ft-Fr (5)
式中:m为列车质量;a为列车加速度;Ft为列车运行过程中受到的牵引力或制动力;Fr为列车运行阻力,可以表示为如下形式:
Fr=Fa+Fe+Fi (6)
Fa、Fe与Fi分别为列车受到的空气阻力、涡流阻力以及坡道附加阻力。
由式(5),令控制输出u=Ft,可得磁浮列车运行动力学模型如下:
式中:x(t)为列车在t时刻的位移;v(t)为列车在t时刻的速度。表示位移的变化率,即速度,/>表示速度的变化率,即加速度。
步骤S20、设计分数阶滑模自适应神经网络控制器,分数阶滑模自适应神经网络控制器根据列车运行误差信息计算出列车的运行阻力。
为了抑制运行阻力对磁悬浮列车的影响,本发明实施例利用分数阶控制算法的高精度与高鲁棒性,设计基于分数阶滑模自适应神经网络的补偿控制算法,补偿列车运行阻力,提高列车运行控制性能。
为了提高磁悬浮列车运行控制性能,本发明设计分数阶滑模自适应神经网络控制器。首先,假设列车运行的期望位移xd,期望速度vd以及期望加速度均有界,定义列车运行误差e(t)如下:
e(t)=x(t)-xd(t) (9)
是误差的变化率。
设计分数阶自适应滑模面如下
式中:和/>为待设计的自适应滑模参数;α∈R且α∈(0,1)。
考虑到神经网络对未知非线性函数的拟合能力,本发明实施例利用RBF神经网络(RBFNN,Radial Basis Function Neural Networks)估计并补偿列车运行阻力,Fr可以被改写为如下形式:
式中:为神经网络的权重向量,p为神经元数量;/>为神经网络误差,且有界,满足/>为神经网络的输入向量,为神经网络的基函数,可以用高斯函数表示为:
和σk分别为神经元k的中心和宽度。
利用RBF神经网络,列车运行阻力的估计可以定义为:
式中:为权重向量/>的估计。
步骤S30、根据列车的运行阻力产生相应的补偿控制力,利用所述补偿控制力调整控制列车的运行。
控制器中的各参数估计误差可以表示为:
式中:为神经网络误差/>的上界ε0的估计。
为降低运行阻力对列车运行控制的影响,设计如下分数阶滑模自适应神经网络控制器。
式中:ku为待设计的正参数。
式(17)所表示的FO-SMAC-NN控制器的结构框图控制器的结构框图如图2所示。从图2可以看出,该控制器包含三个部分:为速度前馈部分,可以改善控制系统的瞬态响应;/>为分数阶滑模自适应等效控制部分,可以提高磁悬浮列车运行控制精度与鲁棒性;/>为自适应神经网络阻力补偿部分,可以实时估计并补偿列车运行阻力,改善运行控制效果。
利用自适应更新律实时更新控制器中的参数和/>其中,滑模自适应参数/>和/>的更新律为:
神经网络参数的估计和/>的更新律为:
式中:Γ为待设计的正定矩阵;kε为待设计的正参数。
定理1.针对式(7)和(8)定义的磁悬浮列车动力学系统,式(17)给出的分数阶滑模自适应神经网络控制器及式(18)-式(21)给出的参数自适应更新律可以保证系统渐进稳定,且当t→∞时,式(9)和(10)所示的系统误差收敛于0。
证明.构造如下Lyapunov函数
计算Lyapunov函数V的导数为
根据RL分数阶微积分性质1和2,由式(7)、(8)和(11)可得
将式(17)和(24)代入式(23),Lyapunov函数V的导数可以变换为
将滑模参数自适应更新律(18)、(19)以及列车运行阻力的估计的自适应更新律(20)、(21)代入式(25),可得:
根据Lyapunov稳定性定理,s、和/>有界,当t→∞时,误差e及其导数/>收敛至0,系统渐进稳定,表明本发明实施例所提出的分数阶滑模自适应神经网络控制器可以保障磁悬浮列车稳定运行。
FO-SMAC-NN控制器的参数整定过程如下:
步骤1.等效控制参数整定。综合考虑系统的快速性与平稳性,忽略列车运行阻力,利用试凑法调节FO-SMAC-NN的等效控制参数ku。
步骤2.分数阶参数整定。分数阶参数α∈R且α∈(0,1),合适的分数阶参数可以有效提高列车运行的控制精度与鲁棒性。忽略列车运行阻力,利用试凑法,调节分数阶参数,使FO-SMAC-NN控制器达到最佳控制效果。
步骤3.自适应参数整定。通常情况下,自适应参数值越大,收敛速度越快。然而,过大的自适应参数会产生过拟合现象,影响列车运行阻力估计的准确性,造成系统震荡,甚至导致系统不稳定。根据上述情况,考虑列车运行阻力,使FO-SMAC-NN控制器达到最佳控制效果。
综上所述,针对磁悬浮列车运行阻力对运行控制的不利影响,考虑磁悬浮交通对运行控制的高精度与强鲁棒性要求,本发明实施例提出了一种基于分数阶滑模自适应神经网络控制的运行控制方法。该方法包含三部分:分数阶滑模自适应等效控制部分保证系统满足基本的控制要求;前馈部分改善了系统的瞬态响应;神经网络运行阻力补偿部分实时估计并补偿了列车运行阻力。
仿真结果表明,本发明实施例所提出的FO-SMAC-NN算法可以准确估计磁悬浮列车运行阻力,并产生相应的补偿控制力矩。相比传统的PID控制算法,结合分数阶控制、滑模自适应控制以及神经网络的FO-SMAC-NN算法,能够有效补偿磁悬浮列车运行阻力,增强了运行控制系统的控制精度与鲁棒性,提高了列车的位置与速度跟踪性能。本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
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 (5)
1.一种基于自适应神经网络的磁悬浮列车运行控制方法,其特征在于,包括:
设计磁悬浮列车的动力学模型,根据所述磁悬浮列车的动力学模型利用分数阶滑模自适应算法产生牵引力或制动力,控制列车运行;
设计分数阶滑模自适应神经网络控制器,所述分数阶滑模自适应神经网络控制器根据列车运行误差信息计算出列车的运行阻力;
根据列车的运行阻力产生相应的补偿控制力,利用所述补偿控制力调整控制列车的运行。
2.根据权利要求1所述的方法,其特征在于,所述的设计磁悬浮列车的动力学模型,根据所述磁悬浮列车的动力学模型利用分数阶滑模自适应算法产生牵引力或制动力,控制列车运行,包括:
设计磁悬浮列车的动力学模型为:
ma=Ft-Fr (5)
式中:m为列车质量;a为列车加速度;Ft为列车运行过程中受到的牵引力或制动力;Fr为列车运行阻力,表示为如下形式:
Fr=Fa+Fe+Fi (6)
Fa、Fe与Fi分别为列车受到的空气阻力、涡流阻力以及坡道附加阻力;
由式(5),令控制输出u=Ft,得到磁浮列车运行控制系统如下:
式中:x(t)为列车在t时刻的位移;v(t)为列车在t时刻的速度。
3.根据权利要求2所述的方法,其特征在于,所述的设计分数阶滑模自适应神经网络控制器,所述分数阶滑模自适应神经网络控制器根据列车运行误差信息计算出列车的运行阻力,包括:
假设列车运行的期望位移xd,期望速度vd以及期望加速度均有界,定义列车运行误差如下:
e(t)=x(t)-xd(t) (9)
设计分数阶自适应滑模面如下:
式中:和/>为待设计的自适应滑模参数;α∈R且α∈(0,1);
利用RBF神经网络计算并补偿列车运行阻力,将Fr改写为如下形式:
式中:为RBF神经网络的权重向量,p为神经元数量;/>为神经网络误差,且有界,满足/> 为神经网络的输入向量,为神经网络的基函数,用高斯函数表示为:
和σk分别为神经元k的中心和宽度;
利用RBF神经网络,列车运行阻力的估计定义为:
式中:为权重向量/>的估计。
4.根据权利要求3所述的方法,其特征在于,所述的根据列车的运行阻力产生相应的补偿控制力,利用所述补偿控制力调整控制列车的运行,包括:
将磁浮列车运行控制系统的各参数的估计误差表示为:
式中:为神经网络误差/>的上界ε0的估计;
设计分数阶滑模自适应神经网络控制律如下:
式中:ku为待设计的正参数;
所述分数阶滑模自适应神经网络控制器包含三个部分:为速度前馈部分,为分数阶滑模自适应等效控制部分,/>为自适应神经网络阻力补偿部分;
利用自适应更新律实时更新所述分数阶滑模自适应神经网络控制器中的参数和/>滑模自适应参数/>和/>的更新律为:
神经网络参数的估计和/>的更新律为:
式中:Γ为待设计的正定矩阵;kε为待设计的正参数;
针对式(7)和(8)定义的磁悬浮列车动力学系统,式(17)给出的分数阶滑模自适应神经网络控制器及式(18)至式(21)给出的参数自适应更新律保证磁浮列车运行控制系统渐进稳定,且当t→∞时,式(9)和(10)所示的系统误差收敛于0。
5.根据权利要求4所述的方法,其特征在于,所述的方法还包括:
构造如下Lyapunov函数:
计算Lyapunov函数V的导数为:
根据RL分数阶微积分性质1和2,由式(7)、(8)和(11)可得
将式(17)和(24)代入式(23),Lyapunov函数V的导数变换为
将滑模参数自适应更新律和/>以及列车运行阻力的估计/>的自适应更新律/>和/>代入式(25),得到:
根据Lyapunov稳定性定理,s、和/>有界,当t→∞时,误差e及其导数/>收敛至0,系统渐进稳定,表明所述分数阶滑模自适应神经网络控制器能够保障磁悬浮列车稳定运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111508085.0A CN114274787B (zh) | 2021-12-10 | 2021-12-10 | 基于自适应神经网络的磁悬浮列车运行控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111508085.0A CN114274787B (zh) | 2021-12-10 | 2021-12-10 | 基于自适应神经网络的磁悬浮列车运行控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114274787A CN114274787A (zh) | 2022-04-05 |
CN114274787B true CN114274787B (zh) | 2023-12-08 |
Family
ID=80871651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111508085.0A Active CN114274787B (zh) | 2021-12-10 | 2021-12-10 | 基于自适应神经网络的磁悬浮列车运行控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114274787B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109532509A (zh) * | 2018-12-28 | 2019-03-29 | 西南交通大学 | 一种基于滑模变结构控制的磁浮列车悬浮控制方法 |
CN111142374A (zh) * | 2020-01-03 | 2020-05-12 | 江西理工大学 | 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 |
CN111835261A (zh) * | 2020-07-22 | 2020-10-27 | 曲阜师范大学 | 基于自适应神经网络的磁悬浮垂直轴风电机组悬浮控制方法 |
CN111845369A (zh) * | 2020-07-10 | 2020-10-30 | 交控科技股份有限公司 | 基于磁悬浮列车的运行控制系统及方法 |
CN112149231A (zh) * | 2020-09-28 | 2020-12-29 | 同济大学 | 一种高速磁浮牵引系统节能运行曲线规划系统 |
CN113619402A (zh) * | 2021-09-17 | 2021-11-09 | 中车株洲电力机车有限公司 | 一种磁浮列车、悬浮控制系统及提高运行平稳性的方法 |
-
2021
- 2021-12-10 CN CN202111508085.0A patent/CN114274787B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109532509A (zh) * | 2018-12-28 | 2019-03-29 | 西南交通大学 | 一种基于滑模变结构控制的磁浮列车悬浮控制方法 |
CN111142374A (zh) * | 2020-01-03 | 2020-05-12 | 江西理工大学 | 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 |
CN111845369A (zh) * | 2020-07-10 | 2020-10-30 | 交控科技股份有限公司 | 基于磁悬浮列车的运行控制系统及方法 |
CN111835261A (zh) * | 2020-07-22 | 2020-10-27 | 曲阜师范大学 | 基于自适应神经网络的磁悬浮垂直轴风电机组悬浮控制方法 |
CN112149231A (zh) * | 2020-09-28 | 2020-12-29 | 同济大学 | 一种高速磁浮牵引系统节能运行曲线规划系统 |
CN113619402A (zh) * | 2021-09-17 | 2021-11-09 | 中车株洲电力机车有限公司 | 一种磁浮列车、悬浮控制系统及提高运行平稳性的方法 |
Non-Patent Citations (2)
Title |
---|
基于分数阶PID控制器的地铁列车优化控制研究;张驰;谭南林;周挺;刘敏杰;单辉;;铁道学报(第10期);8-14 * |
基于周期自适应学习的中低速磁悬浮列车运行控制方法;张文静等;铁道学报;第43卷(第6期);88-94 * |
Also Published As
Publication number | Publication date |
---|---|
CN114274787A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Model-free fractional-order sliding mode control for an active vehicle suspension system | |
CN109532509B (zh) | 一种基于滑模变结构控制的磁浮列车悬浮控制方法 | |
Sun et al. | Adaptive neural network control for maglev vehicle systems with time-varying mass and external disturbance | |
CN108233781B (zh) | 基于干扰观测器的直流电机自适应反演滑模控制方法 | |
Yu et al. | Nonlinear feedback control of a gantry crane | |
CN110435377B (zh) | 基于比例积分观测器的非线性主动悬架容错追踪控制方法 | |
Li et al. | Neural adaptive fault tolerant control for high speed trains considering actuation notches and antiskid constraints | |
Sun et al. | Nonlinear dynamic modeling and fuzzy sliding-mode controlling of electromagnetic levitation system of low-speed maglev train | |
Zhu et al. | Barrier-function-based distributed adaptive control of nonlinear CAVs with parametric uncertainty and full-state constraint | |
CN111679575B (zh) | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 | |
Chen et al. | Neural-network-state-observation-based adaptive inversion control method of maglev train | |
CN104049536A (zh) | 底盘非线性系统模糊神经网络广义逆控制器的构造方法 | |
Li et al. | Modeling of maglev yaw system of wind turbines and its robust trajectory tracking control in the levitating and landing process based on NDOB | |
Wu et al. | Dynamic stability of an electromagnetic suspension maglev vehicle under steady aerodynamic load | |
CN113085963B (zh) | 列车控制级位的动态调控方法及其动态调控装置 | |
CN114274787B (zh) | 基于自适应神经网络的磁悬浮列车运行控制方法 | |
Yang et al. | Optimal Operation of High‐Speed Trains Using Hybrid Model Predictive Control | |
CN112068446B (zh) | 一种基于离散时间模糊模型的直流电机系统抗干扰控制方法 | |
Ismail et al. | A linear model of quarter car active suspension system using composite nonlinear feedback control | |
Simorgh et al. | Adaptive pid control design for longitudinal velocity control of autonomous vehicles | |
CN112947056A (zh) | 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法 | |
CN112947055B (zh) | 基于回声状态网络的磁悬浮列车位移速度的跟踪控制方法 | |
Sam et al. | Active suspension control: Performance comparison using proportional integral sliding mode and linear quadratic regulator methods | |
Huang et al. | Cascade optimization control of unmanned vehicle path tracking under harsh driving conditions | |
CN115891947B (zh) | 一种中低速磁悬浮列车电液混合制动协同控制方法 |
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 |