CN116047916A - 高速磁浮列车悬浮系统的神经网络预测控制方法 - Google Patents

高速磁浮列车悬浮系统的神经网络预测控制方法 Download PDF

Info

Publication number
CN116047916A
CN116047916A CN202310168397.4A CN202310168397A CN116047916A CN 116047916 A CN116047916 A CN 116047916A CN 202310168397 A CN202310168397 A CN 202310168397A CN 116047916 A CN116047916 A CN 116047916A
Authority
CN
China
Prior art keywords
neural network
train
electromagnet
levitation
suspension
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.)
Pending
Application number
CN202310168397.4A
Other languages
English (en)
Inventor
吴晗
刘梦娟
曾晓辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Mechanics of CAS
Original Assignee
Institute of Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Mechanics of CAS filed Critical Institute of Mechanics of CAS
Priority to CN202310168397.4A priority Critical patent/CN116047916A/zh
Publication of CN116047916A publication Critical patent/CN116047916A/zh
Pending legal-status Critical Current

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

本发明提供了一种可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其包括以下步骤:1)根据磁浮列车上部署的悬浮传感器，获取磁浮列车运行过程中的动态响应；利用列车上的悬浮控制器读取斩波器中电磁铁的线圈电流；同时记录这些数据作为构建预测模型的样本集；2)利用记录的样本进行神经网络训练构建磁浮列车响应预测模型,以实现列车未来时刻响应的在线精准预测；3)计算前馈控制量；4)计算反馈控制量；5)悬浮控制器将前馈与反馈控制量叠加之后输出控制信号。本发明可有效地抑制磁浮列车电磁铁在气动荷载下的波动，实现精准预测控制，使得磁浮列车更加稳定地悬浮运行。

Description

高速磁浮列车悬浮系统的神经网络预测控制方法
技术领域
本发明属于磁浮列车悬浮控制技术领域，具体涉及一种高速磁浮列车悬浮系统的神经网络预测控制方法。
背景技术
随着铁路交通的发展，人们对列车的运行速度和舒适性提出了更高的要求，磁浮列车自从问世以来就广受关注。其中常导磁浮列车依靠电磁铁和轨道之间的吸引力克服重力实现悬浮，在运行过程中不与地面接触，消除了轮轨系统的摩擦阻力，具有速度快、更舒适以及磨损少等优势。但由于电磁悬浮的先天不稳定性，常导磁悬浮列车需要实时控制来实现稳定悬浮。
目前磁浮列车仍然采用传统的PI D控制算法，这是一种基于直接解耦的单电磁铁建立的反馈控制算法，在复杂条件下运行时容易发生悬浮失控等问题。然而高速磁悬浮列车运行工况复杂，会受到气动载荷、轨道激扰、负载波动等，影响列车的悬浮稳定性。尤其当列车会车或通过隧道时，还会受到及其明显的气动冲击作用，造成列车出现悬浮间隙波动幅度大、悬浮失稳等严重问题。
尽管许多学者提出了一些更为先进的控制策略，但这些算法多是基于悬浮小球或单电磁铁建立的，大多只适用于线性化系统或简化解耦的非线性系统，未能考虑整体车辆结构的模态特征。然而磁悬浮列车除自身的单点悬浮系统具有很强的非线性，各个悬浮系统之间也存在着非线性特征，对耦合部件进行直接简化解耦不利于表现系统的整体性能。因此在对磁浮列车进行分析时，必须考虑车辆本身以及与周边环境强耦合、时变的非线性特征。不仅如此，现有的磁浮列车悬浮控制策略都没有超出反馈控制的范畴，反馈控制主要是对后果的反馈，已发生的运动无法改变。
综上所述，为了高速磁浮列车的安全性和舒适性，亟需开展新的、智能化程度更高的控制策略研究。
发明内容
本发明提出了一种可以用于高速磁浮列车悬浮系统的神经网络预测控制方法，其基于磁浮车辆在气动荷载下的动力响应建立预测模型，从而将列车各部件间的耦合作用以及外部干扰的影响考虑在内，同时集合前馈控制和反馈控制的优势，可以有效地抑制磁浮列车电磁铁在气动荷载下的波动，实现了磁浮列车的精准预测控制，使得磁浮列车更加稳定地悬浮运行。
为解决上述技术问题，本发明提供的一种可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其包括以下步骤：
1)根据磁浮列车上部署的悬浮传感器，获取磁浮列车运行过程中的动态响应；利用列车上的悬浮控制器读取斩波器中电磁铁的线圈电流；同时记录这些数据作为构建预测模型的样本集；
2)利用记录的样本进行神经网络训练，构建磁浮列车响应预测模型，以实现列车未来时刻响应的在线精准预测；
3)由悬浮控制器读取电磁铁悬浮间隙和线圈电流信号，利用预测模型在线预测列车未来时刻响应，据此计算前馈控制量；
4)由悬浮控制器读取电磁铁悬浮间隙和加速度信号，据此计算反馈控制量；
5)悬浮控制器将前馈与反馈控制量叠加之后输出控制信号。
所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤1)中所述动态响应数据获取的步骤为：
1.1)确定构建磁浮列车响应预测模型所需数据
选择磁浮列车电磁铁的悬浮间隙和线圈电流数据作为预测模型的样本集；即在磁浮列车每个电磁铁上布置悬浮传感器用于测量列车运行时的电磁铁悬浮间隙，同时利用悬浮控制器读取斩波器中电磁铁的线圈电流数据；
1.2)采集构建预测模型所需数据样本
即选取列车的运行条件，记录磁浮列车在各运动条件下电磁铁的悬浮间隙和线圈电流时间序列。
所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤2)具体包括以下步骤：
2.1)构建神经网络正向传递框架；
2.2)构建神经网络误差反向传递框架；
2.3)设定神经网络框架基本信息；
2.4)利用步骤1)中获取的数据样本对上述步骤2.1)和步骤2.2)构建的神经网络进行训练，得到磁浮列车动力响应预测模型。
所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中：所述步骤2.1)具体是设定使用改进后的循环神经网络-长短时记忆神经网络来构建神经网络向前传递预测框架。
所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤2.3)的具体步骤如下：
2.3.1)选取t时刻及其之前一段时间的电磁铁悬浮间隙和线圈电流为神经网络的输入值，t+1时刻的悬浮间隙为期望输出值Y* Train，
Figure BDA0004096959510000031
2.3.2)设置神经网络参数；且神经网络参数包括神经网络中隐藏层层数、隐藏层细胞数、输出层误差损失函数、反向传递学习率η及训练停止误差LOSSend。
所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤2.4)的具体步骤如下：
2.4.1)读取所述步骤1)中实测的磁浮列车电磁铁悬浮间隙及电流数据作为预测模型的样本集，并按照所述步骤2.3.1)的方法从样本集中获取神经网络的输入值和期望输出值；
2.4.2)初始化神经网络，对每个神经元的权重和阈值赋予初始随机值；
2.4.3)按照所述步骤2.1)搭建的神经网络正向传递框架对输入值进行计算得到电磁铁悬浮间隙预测值YTrain，YTrain＝[yL+1 yL+2…yn]，然后求出输出层的计算误差LOSS,如下式(8)所示：
Figure BDA0004096959510000041
2.4.4)将所述步骤2.4.3)求出的计算误差LOSS与所述训练停止误差LOSSend进行比较：若LOSS<LOSSend，则训练结束，得到训练好的预测模型fpre()；若不满足则将误差反向传递，向后求出每一层每个神经元的误差；
2.4.5)通过所述步骤2.4.4)求出的每个神经元的误差求取权重和阈值的增量Δw、Δb，并将每个神经元的权重w和阈值b更新为w＝w+Δw、b＝b+Δb，一次训练结束；
2.4.6)将所述步骤2.4.5)训练得到的权重w和阈值b当作新一轮训练中神经元的初始值，再次重复上述步骤2.4.3)到步骤2.4.5)的计算过程，通过训练不断修改权重和阈值使得输出层误差LOSS<LOSSend，最后得到训练好的预测模型fpre()；
2.4.7)利用所述步骤2.4.6)得到的训练好的神经网络模型构建预测模型，其表达式为：
Figure BDA0004096959510000051
其中上式(10)中
Figure BDA0004096959510000052
为t时刻计算得到的悬浮间隙预测值；fpre()为训练好的神经网络预测模型；XL(t)为t时刻已知的一段实测电磁铁数据数列，L为XL(t)里包括的历史信息的行数；x(t)为t时刻测量得到的真实数据，其中z(t)为t时刻实测电磁铁悬浮间隙；i(t)为t时刻实测电磁铁电流。
所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤3)的具体步骤如下：
3.1)悬浮控制器读取电磁铁悬浮间隙信号和线圈电流信号作为预测模型的输入值，通过所述步骤2)中的预测模型预估悬浮系统的未来响应。
3.2)利用悬浮系统的预测值计算前馈控制量,如下式(11)所示：
Figure BDA0004096959510000053
其中上式(11)中Kff为前馈增益系数；
Figure BDA0004096959510000054
为预测悬浮间隙；z0为额定悬浮间隙，取10mm；基于悬浮系统的预测值计算前馈控制量不仅限于式(11)所展示的形式，可根据需要更换为其他形式。
所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤4)的具体步骤如下：
通过悬浮控制器的反馈模块读取传感器测量得到的悬浮间隙和加速度计算反馈控制量；利用PID算法进行反馈控制，将电磁铁悬浮间隙测量值与目标值偏差的比例(P)、积分(I)和微分(D)线性组合成控制量；利用电磁铁加速度积分项来代替悬浮间隙微分项，PID算法反馈控制逻辑的表达式为：
Figure BDA0004096959510000055
其中上式(12)中Kp为比例系数；Ki为积分系数；Kd为微分系数,z(t)为传感器测量悬浮间隙；a(t)为传感器测量电磁铁加速度；z0为额定悬浮间隙；
所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤5)的具体步骤如下：
将所述步骤3)中的前馈控制量和所述步骤4)中的反馈控制量叠加，得到预测控制的控制量,如下式(13)所示：
u(t+1)＝ηffuff(t+1)+ηfbufb(t+1)    (13)；
其中上式(13)中uff(t)和ηff为前馈控制量及其权重系数，ufb(t)和ηfb为反馈控制量及其权重系数。
采用上述技术方案，本发明具有如下有益效果：
本发明可用于高速磁浮列车悬浮系统的神经网络预测控制方法构思合理，基于磁浮车辆在气动荷载等外部激扰下的动力响应建立预测模型，从而将磁浮车辆各部件耦合作用以及外部荷载的影响考虑在内，更加符合实际。
本发明根据车辆动力响应非线性时变的特点，利用长短时记忆神经网络构建预测模型，可以实现磁浮列车电磁铁悬浮间隙时间序列的精准预测，从而为前馈控制提供基础。
本发明通过长短时记忆神经网络创建磁浮列车动力响应预测模型，实现了车辆悬浮间隙在线精准预测。在此基础上，利用预测值对车辆电磁铁的电流进行前馈控制，在悬浮系统将要出现较大波动前提前施加控制，可以避免车辆在受到冲击载荷时发生大幅波动。
本发明为了防止模型失配出现预测失误导致前馈控制失效以及补偿扰动的影响，施加反馈控制与前馈控制协同工作，可实现高速磁浮列车悬浮系统的稳定预测控制。
本发明相对于现有控制算法而言，集合前馈控制和反馈控制的优势，可实现磁浮列车悬浮系统的预测控制，有效地抑制磁浮列车电磁铁在气动荷载下的悬浮间隙的波动，从而提高高速磁浮列车运行时的悬浮稳定性，相比于一般反馈控制策略具有很高的优势。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明高速磁浮列车悬浮系统的神经网络预测控制方法的流程图；
图2为本发明高速磁浮列车悬浮系统的神经网络预测控制方法中LSTM神经网络的结构示意图；
图3为本发明高速磁浮列车悬浮系统的神经网络预测控制方法中控制量计算示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
下面结合具体的实施方式对本发明做进一步的解释说明。
本实施例提供的一种高速磁浮列车悬浮系统的神经网络预测控制算法，算法结合前馈和反馈的优势来控制电磁铁电流，可以有效地提高列车的悬浮稳定性。
如图1所示，本发明高速磁浮列车悬浮系统的神经网络预测控制算法，具体包括以下步骤：
1)根据磁浮列车上部署的悬浮传感器，获取磁浮列车运行过程中的动态响应；利用列车上的悬浮控制器读取斩波器中电磁铁的线圈电流；同时记录这些数据作为构建预测模型的样本集；
1.1)确定构建磁浮列车响应预测模型所需数据
本发明选择磁浮列车电磁铁的悬浮间隙和线圈电流数据作为预测模型的样本集；即在磁浮列车每个电磁铁上布置悬浮传感器用于测量列车运行时的电磁铁悬浮间隙，同时利用悬浮控制器读取斩波器中电磁铁的线圈电流数据；
1.2)采集构建预测模型所需数据样本
选取列车在明线运行、会车、隧道通过、直线运行、曲线通过等多种运行条件，记录磁浮列车在这些运动条件下电磁铁的悬浮间隙和线圈电流时间序列；
2)进行神经网络训练，构建磁浮列车响应预测模型，实现列车未来时刻响应的在线精准预测；
2.1)构建神经网络正向传递框架；磁浮列车动力响应属于时间序列，设定使用改进后的循环神经网络-长短时记忆(LSTM)神经网络构建神经网络向前传递预测框架；
上述步骤2.1)中的神经网络结构主要包括三层结构：输入层、隐藏层和线性输出层；磁浮列车动力响应属于时间序列，设定使用改进后的循环神经网络-长短时记忆(LSTM)神经网络构建神经网络向前传递预测框架，LSTM神经网络的结构如图2所示。
其中，LSTM神经网络主要通过三个门控结构实现向前传播：
①遗忘门，决定遗忘多少历史信息，即选取多少历史参与此时的计算：
f(t)＝σ(Wfhh(t-1)+bfh+Wfxx(t)+bfx)    (1)；
其中上式(1)中f(t)为遗忘门的输出值；σ为sigmoid激活函数(输出值为0到1之间，0代表完全遗忘)；bfh、bfx为遗忘门的阈值；Wfh、Wfx为遗忘门的权重；x(t)为第t步的输入值，h(t-1)为第t步的输出先前值。
②输入门，决定输入信息的选取：
i(t)＝σ(Wihh(t-1)+bih+Wixx(t)+bix)    (2)；
其中上式(2)中i(t)为输入门的输出值；Wih、Wix为输入门的权重；bih、bix为输入门的阈值。
③细胞状态更新
前面的遗忘门和输入门的结果都会作用于细胞状态C(t)：
z(t)＝σ(Wzhh(t-1)+bzh+Wzxx(t)+bzx)    (3)；
C(t)＝f(t)⊙C(t-1)+i(t)⊙z(t)    (4)；
其中上式(3)中z(t)为细胞状态更新过程值；Wzh、Wzx为细胞状态更新时的权重；bzh、bzx为细胞状态的阈值。
④输出门，用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息：
o(t)＝σ(Wohh(t-1)+boh+Woxx(t)+box)    (5)；
h(t)＝o(t)⊙tanh(C(t))    (6)；
其中上式(5)中o(t)为输出门过程值；Woh、Wox为输出门的权重；boh、box为输出门的阈值；上式(6)中h(t)为输出门输出值，也就是隐藏状态值；
⑤最后，输出值经过线性层的计算得到预测值ypre，如下式(7)所示：
ypre＝h(t)Wlinear+blinear    (7)；
其中上式(7)中Wlinear为线性层的权重；blinear为线性层的阈值。
2.2)构建神经网络误差反向传递框架
采用均方误差(MSE)作为神经网络反向传递的损失函数，优化器为Adam优化器。
2.3)设定神经网络框架基本信息
2.3.1)选取电磁铁t时刻及其之前一段时间的悬浮间隙和电流为神经网络的输入值，t+1时刻的悬浮间隙为期望输出值Y* Train，
Figure BDA0004096959510000101
2.3.2)设置神经网络参数
神经网络参数包括神经网络中隐藏层层数、隐藏层细胞数、输出层误差损失函数、反向传递学习率η以及训练停止误差LOSSend等。
2.4)利用上述步骤1)中获取的数据样本对上述步骤2.1)和步骤2.2)构建的神经网络进行训练，得到磁浮列车动力响应预测模型：
2.4.1)读取上述步骤1)中的实测的磁浮列车电磁铁悬浮间隙及电流数据作为预测模型的样本集，并按照上述步骤2.3.1)的方法从样本集中获取神经网络的输入值和期望输出值；
2.4.2)初始化神经网络，对每个神经元的权重和阈值赋予初始随机值；
2.4.3)按照上述步骤2.1)搭建的神经网络正向传递框架对输入值进行计算得到预测值YTrain，YTrain＝[yL+1 yL+2…yn]；然后求出输出层的计算误差LOSS,如下式(8)所示：
Figure BDA0004096959510000102
2.4.4)将上述步骤2.4.3)求出到的计算误差LOSS与上述步骤2.3.2)的神经网络参数中的训练停止误差LOSSend进行比较：若LOSS<LOSSend，则训练结束，得到训练好的预测模型fpre()；若不满足则将误差反向传递，向后求出每一层每个神经元的误差；
2.4.5)通过上述步骤2.4.4)中求出的每个神经元的误差求取权重和阈值的增量Δw、Δb，并将每个神经元的权重w和阈值b更新为w＝w+Δw、b＝b+Δb，一次训练结束；
其中：
Figure BDA0004096959510000111
上式(9)中η称为学习率，利用误差反向传播算法(BP神经网络)可以快速的求解
Figure BDA0004096959510000112
2.4.6)将上述步骤2.4.5)训练得到的权重w和阈值b当作新一轮训练中神经元的初始值，再次重复上述步骤2.4.3)到步骤2.4.5)的计算过程，通过训练不断修改权重和阈值使得输出层误差LOSS<LOSSend，最后得到训练好的预测模型fpre()。
2.4.7)利用上述步骤2.4.6)得到的训练好的神经网络模型构建预测模型，其表达式为：
Figure BDA0004096959510000113
其中上式(10)中
Figure BDA0004096959510000114
为t时刻计算得到的悬浮间隙预测值；fpre()为训练好的神经网络预测模型；XL(t)为t时刻已知的一段实测电磁铁数据数列，L为XL(t)里包括的历史信息的行数；x(t)为t时刻测量得到的真实数据，其中z(t)为t时刻实测电磁铁悬浮间隙；i(t)为t时刻实测电磁铁电流。
预测模型的功能为：在t时刻读取以往时刻的电磁铁悬浮间隙及电流，并结合此时的实测数据对磁浮列车悬浮系统下一时刻的电磁铁悬浮间隙进行在线快速预测。
3)悬浮控制器读取电磁铁的间隙信号和线圈电流，利用预测模型在线预测列车未来时刻响应，据此计算前馈控制量；
3.1)悬浮控制器读取电磁铁的悬浮间隙和线圈电流并读取历史悬浮间隙及电流，然后通过上述步骤2)中的预测模型预估未来时刻的电磁铁悬浮间隙
Figure BDA0004096959510000121
3.2)利用悬浮系统的电磁铁悬浮间隙预测值
Figure BDA0004096959510000125
计算前馈控制量,如下式(11)所示：
Figure BDA0004096959510000122
其中，上式(11)中Kff为前馈增益系数；
Figure BDA0004096959510000123
为预测悬浮间隙；z0为额定悬浮间隙，取10mm；
4)通过悬浮控制器的反馈模块读取传感器测量得到的悬浮间隙和加速度计算反馈控制量；本发明利用PID算法进行反馈控制，将电磁铁悬浮间隙测量值与目标值偏差的比例(P)、积分(I)和微分(D)线性组合成控制量；利用电磁铁加速度积分项来代替悬浮间隙微分项，PID算法反馈控制逻辑的表达式为：
Figure BDA0004096959510000124
其中上式(12)中Kp为比例系数；Ki为积分系数；Kd为微分系数,z(t)为传感器测量悬浮间隙；a(t)为传感器测量电磁铁加速度；z0为额定悬浮间隙。
5)悬浮控制器将前馈与反馈控制量叠加之后得到控制信号并输出。即将上述步骤3)中的前馈控制量和上述步骤4)中的反馈控制量叠加，得到预测控制的控制量u(t+1),如下式(13)所示：
u(t+1)＝ηffuff(t+1)+ηfbufb(t+1)    (13)；
其中，上式(13)中uff(t)和ηff为前馈控制量及其权重系数，ufb(t)和ηfb为反馈控制量及其权重系数。
本发明构思合理，基于磁浮车辆在气动荷载下的动力响应建立预测模型，从而将列车各部件间的耦合作用以及外部干扰的影响考虑在内，更好地体现出磁浮列车的强非线性和耦合特征；不仅如此，该算法集合前馈控制和反馈控制的优势，可以有效地抑制磁浮列车电磁铁在气动荷载下的波动，使得列车更加稳定地悬浮运行。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于，包括以下步骤：
1)根据磁浮列车上部署的悬浮传感器，获取磁浮列车运行过程中的动态响应；利用列车上的悬浮控制器读取斩波器中电磁铁的线圈电流；同时记录这些数据作为构建预测模型的样本集；
2)利用记录的样本进行神经网络训练，构建磁浮列车响应预测模型，以实现列车未来时刻响应的在线精准预测；
3)由悬浮控制器读取电磁铁悬浮间隙和线圈电流信号，利用预测模型在线预测列车未来时刻响应，据此计算前馈控制量；
4)由悬浮控制器读取电磁铁悬浮间隙和加速度信号，据此计算反馈控制量；
5)悬浮控制器将前馈与反馈控制量叠加之后输出控制信号。
2.如权利要求1所述的可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于，所述步骤1)中所述动态响应数据获取的步骤为：
1.1)确定构建磁浮列车响应预测模型所需数据
选择磁浮列车电磁铁的悬浮间隙和线圈电流数据作为预测模型的样本集；即在磁浮列车每个电磁铁上布置悬浮传感器用于测量列车运行时的电磁铁悬浮间隙，同时利用悬浮控制器读取斩波器中电磁铁的线圈电流数据；
1.2)采集构建预测模型所需数据样本
即选取列车的运行条件，记录磁浮列车在各运动条件下电磁铁的悬浮间隙和线圈电流时间序列。
3.如权利要求1所述的可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于，所述步骤2)具体包括以下步骤：
2.1)构建神经网络正向传递框架；
2.2)构建神经网络误差反向传递框架；
2.3)设定神经网络框架基本信息；
2.4)利用步骤1)中获取的数据样本对上述步骤2.1)和步骤2.2)构建的神经网络进行训练，得到磁浮列车动力响应预测模型。
4.如权利要求3所述的可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于：所述步骤2.1)具体是设定使用改进后的循环神经网络-长短时记忆神经网络来构建神经网络向前传递预测框架。
5.如权利要求3所述的可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于，所述步骤2.3)的具体步骤如下：
2.3.1)选取t时刻及其之前一段时间的电磁铁悬浮间隙和线圈电流为神经网络的输入值，t+1时刻的悬浮间隙为期望输出值Y* Train，
2.3.2)设置神经网络参数；且神经网络参数包括神经网络中隐藏层层数、隐藏层细胞数、输出层误差损失函数、反向传递学习率η及训练停止误差LOSSend。
6.如权利要求5所述的可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于，所述步骤2.4)的具体步骤如下：
2.4.1)读取所述步骤1)中实测的磁浮列车电磁铁悬浮间隙及电流数据作为预测模型的样本集，并按照所述步骤2.3.1)的方法从样本集中获取神经网络的输入值和期望输出值；
2.4.2)初始化神经网络，对每个神经元的权重和阈值赋予初始随机值；
2.4.3)按照所述步骤2.1)搭建的神经网络正向传递框架对输入值进行计算得到电磁铁悬浮间隙预测值YTrain，YTrain＝[yL+1 yL+2 … yn]，然后求出输出层的计算误差LOSS,如下式(8)所示：
2.4.4)将所述步骤2.4.3)求出的计算误差LOSS与所述训练停止误差LOSSend进行比较：若LOSS<LOSSend，则训练结束，得到训练好的预测模型fpre()；若不满足则将误差反向传递，向后求出每一层每个神经元的误差；
2.4.5)通过所述步骤2.4.4)求出的每个神经元的误差求取权重和阈值的增量Δw、Δb，并将每个神经元的权重w和阈值b更新为w＝w+Δw、b＝b+Δb，一次训练结束；
2.4.6)将所述步骤2.4.5)训练得到的权重w和阈值b当作新一轮训练中神经元的初始值，再次重复上述步骤2.4.3)到步骤2.4.5)的计算过程，通过训练不断修改权重和阈值使得输出层误差LOSS<LOSSend，最后得到训练好的预测模型fpre()；
2.4.7)利用所述步骤2.4.6)得到的训练好的神经网络模型构建预测模型，其表达式为：
其中上式(10)中为t时刻计算得到的悬浮间隙预测值；fpre()为训练好的神经网络预测模型；XL(t)为t时刻已知的一段实测电磁铁数据数列，L为XL(t)里包括的历史信息的行数；x(t)为t时刻测量得到的真实数据，其中z(t)为t时刻实测电磁铁悬浮间隙；i(t)为t时刻实测电磁铁电流。
7.如权利要求1所述的可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于，所述步骤3)的具体步骤如下：
3.1)悬浮控制器读取电磁铁悬浮间隙信号和线圈电流信号作为预测模型的输入值，通过所述步骤2)中的预测模型预估悬浮系统的未来响应。
3.2)利用悬浮系统的预测值计算前馈控制量,如下式(11)所示：
其中上式(11)中Kff为前馈增益系数；为预测悬浮间隙；z0为额定悬浮间隙，取10mm；基于悬浮系统的预测值计算前馈控制量不仅限于式(11)所展示的形式，可根据需要更换为其他形式。
8.如权利要求1所述的可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于，所述步骤4)的具体步骤如下：
通过悬浮控制器的反馈模块读取传感器测量得到的悬浮间隙和加速度计算反馈控制量；利用PID算法进行反馈控制，将电磁铁悬浮间隙测量值与目标值偏差的比例(P)、积分(I)和微分(D)线性组合成控制量；利用电磁铁加速度积分项来代替悬浮间隙微分项，PID算法反馈控制逻辑的表达式为：
其中上式(12)中Kp为比例系数；Ki为积分系数；Kd为微分系数,z(t)为传感器测量悬浮间隙；a(t)为传感器测量电磁铁加速度；z0为额定悬浮间隙。
9.如权利要求1所述的可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其特征在于，所述步骤5)的具体步骤如下：
将所述步骤3)中的前馈控制量和所述步骤4)中的反馈控制量叠加，得到预测控制的控制量,如下式(13)所示：
u(t+1)＝ηffuff(t+1)+ηfbufb(t+1)                        (13)；
其中上式(13)中uff(t)和ηff为前馈控制量及其权重系数，ufb(t)和ηfb为反馈控制量及其权重系数。
CN202310168397.4A 2023-02-27 2023-02-27 高速磁浮列车悬浮系统的神经网络预测控制方法 Pending CN116047916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310168397.4A CN116047916A (zh) 2023-02-27 2023-02-27 高速磁浮列车悬浮系统的神经网络预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310168397.4A CN116047916A (zh) 2023-02-27 2023-02-27 高速磁浮列车悬浮系统的神经网络预测控制方法

Publications (1)

Publication Number Publication Date
CN116047916A true CN116047916A (zh) 2023-05-02

Family

ID=86120231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310168397.4A Pending CN116047916A (zh) 2023-02-27 2023-02-27 高速磁浮列车悬浮系统的神经网络预测控制方法

Country Status (1)

Country Link
CN (1) CN116047916A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117537951A (zh) * 2024-01-10 2024-02-09 西南交通大学 一种基于深度学习的超导悬浮器内部温升检测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117537951A (zh) * 2024-01-10 2024-02-09 西南交通大学 一种基于深度学习的超导悬浮器内部温升检测方法及装置
CN117537951B (zh) * 2024-01-10 2024-03-26 西南交通大学 一种基于深度学习的超导悬浮器内部温升检测方法及装置

Similar Documents

Publication Publication Date Title
Sun et al. RBF neural network-based supervisor control for maglev vehicles on an elastic track with network time delay
CN112193280B (zh) 一种重载列车强化学习控制方法及系统
US20200241487A1 (en) Networked control system time-delay compensation method based on predictive control
US6415272B1 (en) System for intelligent control based on soft computing
CN109343505A (zh) 基于长短期记忆网络的齿轮剩余寿命预测方法
Yin et al. Data-driven models for train control dynamics in high-speed railways: LAG-LSTM for train trajectory prediction
US20020016665A1 (en) System for intelligent control of an engine based on soft computing
CN109131452A (zh) 一种基于长短时记忆网络的列车状态在线预测方法
CN116047916A (zh) 高速磁浮列车悬浮系统的神经网络预测控制方法
CN111475948A (zh) 一种基于lstm网络的地铁隧道施工时沉降新型预测方法
CN106056238B (zh) 列车区间运行轨迹的规划方法
Hu et al. Model predictive control for hybrid levitation systems of maglev trains with state constraints
He et al. Adaptive control of dual-motor autonomous steering system for intelligent vehicles via Bi-LSTM and fuzzy methods
Zhao et al. Suspension regulation of medium-low-speed maglev trains via deep reinforcement learning
Guo et al. Adaptive fuzzy sliding mode control for high‐speed train using multi‐body dynamics model
Zeng et al. DDPG-based continuous thickness and tension coupling control for the unsteady cold rolling process
Liu et al. Active pantograph in high-speed railway: Review, challenges, and applications
Zhang et al. Adaptive fault-tolerant sliding mode control for high-speed trains with actuator faults under strong winds
Wei et al. A combination forecasting method of grey neural network based on genetic algorithm
CN111598311B (zh) 一种新型列车运行速度曲线智能优化方法
CN110658818B (zh) 面向新型供电列车的多目标优化智能运行控制预测方法
Feng et al. Vehicle speed tracking in bench test based on DDPG
CN115817185B (zh) 一种中低速磁浮列车速度控制方法及系统
Fu et al. Multiple operating mode ANFIS modelling for speed control of HSEMU
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