CN116176654A - 一种场景自适应的轨道交通ato控制系统 - Google Patents
一种场景自适应的轨道交通ato控制系统 Download PDFInfo
- Publication number
- CN116176654A CN116176654A CN202310124020.9A CN202310124020A CN116176654A CN 116176654 A CN116176654 A CN 116176654A CN 202310124020 A CN202310124020 A CN 202310124020A CN 116176654 A CN116176654 A CN 116176654A
- Authority
- CN
- China
- Prior art keywords
- module
- train
- control
- acceleration
- pid
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 132
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000001629 suppression Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0063—Multiple on-board control systems, e.g. "2 out of 3"-systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/20—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/60—Testing or simulation
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提出一种场景自适应的轨道交通ATO控制系统,包括运行信息获取模块201、场景自适应控制模块202和列车牵引/制动执行模块203,所述场景自适应控制模块202接收运行信息获取模块201的信息输入,通过学习、预测和优化后形成控制指令输入给所述列车牵引/制动执行模块203。本发明系统中,参数整定模块对滑模PID控制器的五个控制器参数进行自整定,与手动参数整定相比具有更高的效率和精度并节省了更多列车试运行时控制器参数整定的时间;系统预测模块可以有效抑制列车在工况发生切换时容易产生过量超调的情况,避免了列车在运行过程中因超调量超过最大超调阈值触发的紧急制动,同时提高了列车ATO控制器跟踪目标曲线的精度。
Description
技术领域
本申请涉及轨道交通技术领域,具体而言,涉及一种适用多场景的轨道交通ATO控制系统。
背景技术
城市轨道交通以其大运量、高效率、低污染等优势,迅速成为许多城市解决交通问题的首要选择。列车运行过程中,通过速度传感器获取轮对的速度传入列车ATP/ATO模块,将列车实际速度与列车目标速度对比,经由控制算法,实现对列车的牵引制动模块的控制,以保证列车按照既定目标速度运行,其中,ATP模块负责列车的安全防护,ATO模块进行列车在正常运行状态下的牵引制动过程。
ATO,即Automatic Train Operation,列车自动驾驶。图1示出了现有轨道交通ATO控制系统示意图,包含运行信息获取模块、PID控制模块/滑模PID控制模块,以及列车牵引/制动执行模块。所述运行信息获取模块用于实时获取列车运行过程中的列车状态信息、目标曲线信息和线路条件信息;所述PID控制模块/滑模PID控制模块用于根据列车实时状态信息计算列车指令合适的指令加速度,并传输给列车牵引/制动执行模块;所述列车牵引/制动执行模块用于控制列车按加速度指令值运行。传统ATO控制算法在获取列车运行信息后,仅通过滑模PID/PID控制模块和加速度指令控制模块对列车牵引/制动过程进行控制。
现有ATO控制算法主要为PID控制算法与滑模PID控制算法。
列车的实际运行场景通常具有非线性、时变不确定性、强干扰等特性,应用常规PID控制器难以达到理想的控制效果;在实际运行过程中,PID控制器需要对相关参数进行调整以得到较好的控制效果,而参数整定方法繁杂,因此常规PID控制器往往性能欠佳。
滑模PID控制器是传统PID控制器的改进,可以在动态过程中根据系统当前的状态,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,可以综合考虑速度差和加速度差的变化精准控制列车沿目标速度曲线运行。滑模PID控制器的不足之处主要表现为以下两点:参数比PID控制器多两个,参数整定更加复杂和繁琐;在工况切换中容易发生超调。
ATO控制器针对列车实际速度超出目标速度曲线的值设置了限制,当列车速度在0~13km/h时的超调量最大值约为1.2km/h,当列车速度在13km/h以上时,列车的超调量最大值为2~2.5km/h,超调量最大值的具体取值取决于不同的生产厂家的规定,如果列车在行驶过程中的超调量超过了最大超调量的阈值,则列车会自动实施紧急制动,影响运行效率。在考虑工况切换特性的情况下,列车仅使用PID控制器和滑模PID控制器时均会在工况切换时产生一定的超调量,且部分场景下会超出最大超调量的限制,进而触发列车的紧急制动,影响运行效率。
因此需要在原有列车控制系统基础上设计一种可适应多场景的新型的ATO控制系统以抑制列车在工况切换时产生的超调量。
发明内容
本申请的目的是为了克服现有ATO控制器存在工况切换情况下易超调的缺陷,公开一种场景自适应的轨道交通ATO控制系统,能够满足列车ATO控制器控制要求。应用时,场景包括轨道交通ATO站间运行的静态目标曲线追踪场景和轨道交通ATO站间运行中因临时制动需求而生成的站间动态停车目标曲线的追踪场景。
本申请的目的可以通过以下方案来实现:
一种场景自适应的轨道交通ATO控制系统,包括运行信息获取模块201、场景自适应控制模块202和列车牵引/制动执行模块203,所述场景自适应控制模块202接收运行信息获取模块201的信息输入,通过学习、预测和优化后形成控制指令输入给所述列车牵引/制动执行模块203。
所述场景自适应控制模块202包括参数整定模块2021和列车控制模块2022,所述参数整定模块2021包括机器学习模块20211、模型优化评价模块20212和列车状态更新模块20213,所述列车控制模块2022包括工况判断模块20221、预测模块20222、滑模PID控制模块20223、指令控制模块20224和加速度指令生成模块20225,其中:
所述机器学习模块20211用于在列车试运行过程中输入运行信息获取模块201的信息,在列车实际运行控制前,不断调整滑模PID控制模块的控制器参数以确定针对当前线路的最佳控制器参数值;
所述模型优化评价模块20212用于对于滑模PID控制模块20223不同的指标要求进行计算分析,判断机器学习模块20211的迭代次数,最终将结果输出到列车控制模块2022中;
所述列车状态更新模块20213用于将根据相关运行信息构建仿真场景,不断为机器学习模块20211提供输入参数,同时实现基于列车完整运行区间的参数优化目的;
所述工况判断模块20221,接收运行信息获取模块201的信息输入,用于实现对列车实时运行工况进行计算的功能,提供给预测模块20222;
所述预测模块20222用于实现对列车工况是否即将切换的判断功能以及实现列车在工况切换前计算可抑制列车速度产生超调的合适指令加速度值的功能,提供给滑模PID控制模块20223、指令控制模块20224;
所述滑模PID控制模块20223将输出的指令加速度值提供给加速度指令生成模块20225;
所述指令控制模块20224用于实现在列车工况发生切换时从所述预测模块20222传输所述预测模块20222生成的合适指令加速度值,提供给加速度指令生成模块20225;
所述加速度指令生成模块20225用于实现向所述列车牵引/制动执行模块203传输实时指令加速度值。
具体地,列车在同一个控制周期下,指令控制模块20224和滑模PID控制模块20223中只有一个模块会发送指令加速度,指令加速度的发送由预测模块20222决定;当预测模块20222预测到列车的工况即将发生切换,继续使用滑模PID控制模块20223发送的指令加速度会导致列车在工况切换时发生超调时,将会向指令控制模块20224提前发送工况切换后的目标曲线加速度值以抑制列车在即将到来的工况切换阶段发生速度超调,同时停止这一控制周期滑模PID控制模块对指令加速度的输出。
具体地,由加速度指令生成模块20225输出的指令加速度在传入列车牵引/制动执行模块203之前会经历一个加速度传输和响应的过程。
具体地,所述滑模PID控制模块包括滑模控制器和PID控制器,即滑模控制模型和PID模型;
神经网络控制算法,主要包括了滑模控制、PID控制、智能学习算法和仿真运行,运行于滑模PID控制模块和机器学习模块:
系统运行控制模型需要给定初始的速度增益参数kv、加速度增益参数ka、比例环节参数kp、积分环节参数ki、微分环节参数kd值,对滑模控制器和PID控制器进行初始化设置;
一、滑模控制部分包含的主要参数为kv与ka,当两个参数确定后,滑模控制模型的控制器即得到确定;
二、PID控制部分包含的主要参数为kp、ki、kd,当三个参数确定后,PID模型的控制器效果即得到确定;
三、智能学习算法部分:通过当前仿真结果中列车的仿真加速度和ATO目标速度曲线中给定的目标加速度的差值,进行优化学习,对PID控制器中的kp、ki、kd值进行迭代;
四、系统运行控制模型需要提前读取已有的ATO目标速度曲线数据、线路环境条件数据等,以支撑仿真运行部分;相关部分将根据当前列车的控制参数所对应的模型与线路、环境条件进行的运动学与动力学计算,更新列车的运行状态;当滑模控制器与PID控制器确定,则列车此刻的运行控制模型确定,通过仿真运行部分,实现列车的仿真计算和控制。
具体过程如下:
初始时刻,通过滑模控制器,输出由滑模控制器给出的控制加速度as1,和上一时刻受控列车的实际运行加速度acu,一并输入至PID控制器,经由PID控制得到新的控制加速度as2,将前后两个控制加速度进行加权,得到实际的输出指令加速度as;
经过线路条件和环境因素的线性叠加和对于受控列车非线性控制,得到列车实际的运行加速度acu,并代入下一阶段的闭环控制中;
此外,acu也将作为智能控制算法的输入,判断PID控制器的控制参数是否需要进行优化迭代,保证列车能够维持较好的运行效果;若ATO目标速度曲线数据中的目标加速度atarget与实际运行加速度acu的偏差未超过设定阈值,直接转入下一时间窗口的计算;否则,在下一次控制前,需要先进行PID控制器的优化学习,生成一套全新的kp、ki、kd,以供后续的计算控制。
进一步地,神经网络的网络结构参数设置和迭代规则,如下:
选择构建4-5-3结构的BP神经网络,输入层的输入为PID控制器的三个指标kp、ki、kd以及常数项,输出层的输出则为新的PID控制器的指标值;隐含层的激活函数和输出层的激活函数分别为公式(1)与公式(2),公式(3)为性能指标参数计算方式,其中:
u(k)表示k时刻列车实际输出加速度;
acu表示列车的实际运行加速度:
atarget表示列车依照给定ATO曲线所应达到的目标加速度;
E(k)表示k时刻选定的性能指标参数值;
输出层连接权值更新方式分别为公式(4)与公式(5),隐含层连接权值更新方式分别为公式(6)与公式(7),其中
η表示模型学习速率;
α表示惯性系数;
Δωij 2(k+1)为k+1时刻,输入层和隐含层的权值变化量;
Δωli 3(k+1)为k+1时刻,隐含层和输出层的权值变化量;
与现有技术相比,本申请具有以下优点:
本申请系统中参数整定模块对滑模PID控制器的五个控制器参数进行自整定,与手动参数整定相比具有更高的效率和精度并节省了更多列车试运行时控制器参数整定的时间。
申请中系统预测模块可以有效抑制列车在工况发生切换时容易产生过量超调的情况,避免了列车在运行过程中因超调量超过最大超调阈值触发的紧急制动,同时提高了列车ATO控制器跟踪目标曲线的精度。
附图说明
图1为现有轨道交通ATO控制系统示意图。
图2为本申请场景自适应的轨道交通ATO控制系统示意图。
图3为本申请参数整定模块中BP神经网络控制算法。
图4为本申请神经网络迭代的流程图。
图5为本申请场景自适应的轨道交通ATO控制方法流程图。
图6为本申请列车处于牵引工况下预测模块工作的流程图。
图7为本申请列车处于制动工况下预测模块工作的流程图。
图8为实施例应用场景及控制结果示意图。
具体实施方式
下面将结合具体实施例及其附图对本申请提供的技术方案作进一步说明。结合下面说明,本申请的优点和特征将更加清楚。
需要说明的是,本申请的实施例有较佳的实施性,并非是对本申请任何形式的限定。本申请实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。本申请优选实施方式的范围也可以包括另外的实现,且这应被本申请实施例所属技术领域的技术人员所理解。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限定。因此,示例性实施例的其它示例可以具有不同的值。
本申请的附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本申请实施例的目的,并非是限定本申请可实施的限定条件。任何结构的修饰、比例关系的改变或大小的调整,在不影响本申请所能产生的效果及所能达成的目的下,均应落在本申请所揭示的技术内容所能涵盖的范围内。且本申请各附图中所出现的相同标号代表相同的特征或者部件,可应用于不同实施例中。
图2为本申请实施例适用多场景的轨道交通ATO控制系统示意图。该轨道交通ATO控制系统包括运行信息获取模块201、场景自适应控制模块202和列车牵引/制动执行模块203,所述运行信息获取模块201和列车牵引/制动执行模块203沿用图1中现有ATO控制系统中相同的模块;所述场景自适应控制模块202接收运行信息获取模块201的信息输入,通过学习、预测和优化后形成控制指令输入给所述列车牵引/制动执行模块203。
所述场景自适应控制模块202包括参数整定模块2021和列车控制模块2022,所述参数整定模块2021包括机器学习模块20211、模型优化评价模块20212和列车状态更新模块20213,所述列车控制模块2022包括工况判断模块20221、预测模块20222、滑模PID控制模块20223、指令控制模块20224和加速度指令生成模块20225,其中:
所述机器学习模块20211用于在列车试运行过程中输入运行信息获取模块201的信息,在列车实际运行控制前,不断调整滑模PID控制模块的控制器参数以确定针对当前线路的最佳控制器参数值;
所述模型优化评价模块20212用于对于滑模PID控制模块20223不同的指标要求进行计算分析,判断机器学习模块20211的迭代次数,最终将结果输出到列车控制模块2022中;
所述列车状态更新模块20213用于将根据相关运行信息构建仿真场景,不断为机器学习模块20211提供输入参数,同时实现基于列车完整运行区间的参数优化目的;
所述工况判断模块20221,接收运行信息获取模块201的信息输入,用于实现对列车实时运行工况进行计算的功能,提供给预测模块20222;
所述预测模块20222用于实现对列车工况是否即将切换的判断功能以及实现列车在工况切换前计算可抑制列车速度产生超调的合适指令加速度值的功能,提供给滑模PID控制模块20223、指令控制模块20224;
所述滑模PID控制模块20223沿用图1中现有ATO控制系统中的PID控制模块/滑模PID控制模块相同功能,将输出的指令加速度值提供给加速度指令生成模块20225。
所述指令控制模块20224用于实现在列车工况发生切换时从所述预测模块20222传输所述预测模块20222生成的合适指令加速度值,提供给加速度指令生成模块20225。
所述加速度指令生成模块20225用于实现向所述列车牵引/制动执行模块203传输实时指令加速度值。
根据实施例,列车在同一个控制周期下,指令控制模块20224和滑模PID控制模块20223中只有一个模块会发送指令加速度,指令加速度的发送由预测模块20222决定。当预测模块20222预测到列车的工况即将发生切换,继续使用滑模PID控制模块20223发送的指令加速度会导致列车在工况切换时发生超调时,将会向指令控制模块20224提前发送工况切换后的目标曲线加速度值以抑制列车在即将到来的工况切换阶段发生速度超调,同时停止这一控制周期滑模PID控制模块对指令加速度的输出。
根据实施例,由加速度指令生成模块20225输出的指令加速度在传入列车牵引/制动执行模块203之前会经历一个加速度传输和响应的过程。
特别地,当工况判断模块20221、预测模块20222或指令控制模块20224中至少有一个模块出现故障时,列车将仅使用滑模PID控制模块20223生成的指令加速度在线路上继续运行。
所述滑模PID控制模块包括滑模控制器和PID控制器,即滑模控制模型和PID模型。
图3为BP神经网络控制算法,主要包括了滑模控制、PID控制、智能学习算法和仿真运行,运行于滑模PID控制模块和机器学习模块:
首先,系统运行控制模型需要给定初始的速度增益参数kv、加速度增益参数ka、比例环节参数kp、积分环节参数ki、微分环节参数kd值,对滑模控制器和PID控制器进行初始化设置。
一、滑模控制部分包含的主要参数为kv与ka,当两个参数确定后,滑模控制模型的控制器即得到确定。
二、PID控制部分包含的主要参数为kp、ki、kd,当三个参数确定后,PID模型的控制器效果即得到确定。
三、智能学习算法部分:
以BP神经网络学习算法为例,通过当前仿真结果中列车的仿真加速度和ATO目标速度曲线中给定的目标加速度的差值,进行优化学习,对PID控制器中的kp、ki、kd值进行迭代。
四、系统运行控制模型需要提前读取已有的ATO目标速度曲线数据、线路环境条件数据等,以支撑仿真运行部分。相关部分将根据当前列车的控制参数所对应的模型与线路、环境条件进行的运动学与动力学计算,更新列车的运行状态。当滑模控制器与PID控制器确定,则列车此刻的运行控制模型确定,通过仿真运行部分,实现列车的仿真计算和控制。
具体过程如下:
初始时刻,通过滑模控制器,输出由滑模控制器给出的控制加速度as1,和上一时刻受控列车的实际运行加速度acu,一并输入至PID控制器,经由PID控制得到新的控制加速度as2,将前后两个控制加速度进行加权。得到实际的输出指令加速度as。
经过线路条件和环境因素的线性叠加和对于受控列车非线性控制,得到列车实际的运行加速度acu,并代入下一阶段的闭环控制中。
此外,acu也将作为智能控制算法(此处以BP神经网络学习算法为例)的输入,判断PID控制器的控制参数是否需要进行优化迭代,保证列车能够维持较好的运行效果。若ATO目标速度曲线数据中的目标加速度atarget与实际运行加速度acu的偏差未超过设定阈值,直接转入下一时间窗口的计算;否则,在下一次控制前,需要先进行PID控制器的优化学习,生成一套全新的kp、ki、kd,以供后续的计算控制。
基于图3中BP神经网络控制算法,所述智能学习算法(运行于机器学习模块)如图4所示:
首先,需要确定神经网络的结构,即其网络层数和每一层的具体神经元数目。随后,进行优化目标即研究者关心的运行指标的设置,该目标可以根据不同的需求进行不同的设置;之后,需要对神经网络的各项参数进行调整,主要为神经网络优化步长、最大迭代次数、目标误差、参数学习速率等,该步骤多是采用经验方法进行尝试调节;最后,为参数的迭代方式,即对应神经网络模型中各个权值的更新规则,在实际应用中,亦存在多种更新方式,需要对不同方式进行选择。
在完成神经网络模型的架构后,则是进入迭代训练过程。首先,对模型进行迭代判断条件,当不满足迭代条件,转入下一计算过程,当满足迭代条件时,模型需要获取所需要的输入值,在本研究中对应为Kp、Ki、Kd,以及单位1。经由模型训练后,更新后的参数转入基础控制模型中,以获得当前参数对应的控制指标,与设置的优化目标和最大迭代次数进行比较,当二者均不满足要求时,重新返回迭代过程,当满足其中一个要求时,优化参数得到输出,该次优化过程结束,转入下一计算阶段。
实际应用中可以选取与实施例流程不同的网络结构参数和迭代过程函数用以实现类似效果,以下举例而非限定,实施例BP神经网络给出具体的网络结构参数设置和迭代规则,如下:
选择构建4-5-3结构的BP神经网络,输入层的输入为PID控制器的三个指标kp、ki、kd以及常数项,输出层的输出则为新的PID控制器的指标值。隐含层的激活函数和输出层的激活函数分别为公式(1)与公式(2),公式(3)为性能指标参数计算方式,其中:
u(k)表示k时刻列车实际输出加速度;
acu表示列车的实际运行加速度:
atarget表示列车依照给定ATO曲线所应达到的目标加速度;
E(k)表示k时刻选定的性能指标参数值。
输出层连接权值更新方式分别为公式(4)与公式(5),隐含层连接权值更新方式分别为公式(6)与公式(7),其中
η表示模型学习速率;
α表示惯性系数;
Δωij 2(k+1)为k+1时刻,输入层和隐含层的权值变化量;
Δωli 3(k+1)为k+1时刻,隐含层和输出层的权值变化量。
利用上述控制系统可以实施和执行ATO控制过程以适应多场景,如图5所示:
在S301,参数整定模块2021对滑模PID控制模块20223设定初始控制器参数,并在列车试运行过程中不断调整滑模PID控制模块20223的控制器参数以确定针对当前线路的最佳控制器参数值;进入步骤S302。
在S302,滑模PID控制模块20223依据运行信息获取模块201中列车当前状态信息和目标曲线信息实时计算当前控制周期内的指令加速度,并传输给加速度指令生成模块20225;进入步骤S303。
在S303,工况判断模块20221通过运行信息获取模块201中的列车基本运行参数和列车当前状态信息计算列车当前所处的运行工况,并将工况信息传输给预测模块20222;进入步骤S304。
在S304,预测模块20222依据列车当前的运行工况生成预测点,根据预测点在目标曲线上的目标值决定生成具有超调抑制功能的指令加速度并传输给指令控制模块20224或直接采用滑模PID控制模块20223生成的一般指令加速度;进入步骤S305。
在S305,加速度指令生成模块20225接收从指令控制模块20224或滑模PID控制模块20223发送的指令加速度命令并传输给列车牵引/制动执行模块203,列车牵引/制动执行模块203实时控制列车的加速度值至指令加速度值;进入步骤S302。
根据实施例,预测模块20222在列车处于牵引工况和制动工况下执行不同的预测点生成和判断方式实现列车工况切换时的超调抑制功能;
其中,预测模块20222在列车处于牵引工况下时,通过判断预测点在是否在目标曲线上超调以确定当前控制周期是否为列车将牵引工况切换为制动工况的最佳控制周期;如图6所示。
其中,预测模块20222在列车处于制动工况下时,通过判断预测点在目标曲线上的位置是否处于制动状态,以确定当前控制周期是否限制列车将制动切换为牵引工况;如图7所示。
具体的,图6示出了列车处于牵引工况下预测模块20222的工作流程图。
在S601,预测模块20222从运行信息获取模块201中获取列车当前状态信息。根据实施例,列车当前状态信息有列车实时速度、加速度、位置和坡度信息。
在S602,依据S601中获得的列车当前速度、加速度、位置、坡度信息,预测模块20222计算列车当前速度情况下的惰行加速度。根据实施例,列车惰行工况下的加速度由手列车的实时速度影响的列车基本阻力和坡道曲线阻力叠加计算获得。
在S603,预测模块20222计算列车由当前加速度降至惰行工况下加速度后的惰行起始速度和位置。
在S604,预测模块20222计算列车在惰行一个惰行时延后的列车速度和位置,分别记为预测点速度和预测点位置。
在S605,预测模块20222比较列车预测点速度和目标曲线在预测点位置上的目标速度,如果预测速度大于目标速度,则转入步骤S606;否则转入步骤S607
在S606,向指令控制模块20224发送预测点位置的曲线目标加速度作为超调抑制的指令加速度。
在S607,预测模块20222使用滑模PID控制模块生成指令加速度。
根据实施例,列车处于牵引工况下预测模块的在每个控制周期均进行计算和输出。
具体的,图7示出了列车处于制动工况下预测模块工作的流程图。
在S701,预测模块20222从运行信息获取模块201中获取列车当前状态信息。根据实施例,列车当前状态信息有列车实时速度、加速度、位置和坡度信息。
在S702,依据S701中获得的列车当前速度、加速度、位置、坡度信息,预测模块20222计算列车当前速度情况下的惰行加速度。根据实施例,列车惰行工况下的加速度由手列车的实时速度影响的列车基本阻力和坡道曲线阻力叠加计算获得。
在S703,预测模块20222计算列车由当前加速度升至惰行工况下加速度后的惰行起始速度和位置。
在S704,预测模块20222计算列车在惰行两个惰行时延后的列车速度和位置,分别记为预测点速度和预测点位置。
在S705,预测模块20222判断判断预测点位置在目标曲线上是否处于停车制动阶段,若是则转入步骤S706;否则转入步骤S707。
在S706,向指令控制模块20224发送预测点位置的曲线目标加速度作为抑制工况切换的指令加速度。
在S707,预测模块20222使用滑模PID控制模块生成指令加速度。
根据实施例,列车处于制动工况下预测模块的在每个控制周期均进行计算和输出。
图8示出了本申请实施例提供的一个适用多场景的轨道交通ATO控制方法的应用场景及控制结果示意图。
多场景包括了站间静态目标速度曲线追踪场景8011、列车牵引状态下临时制动的动态目标速度曲线追踪场景8021和列车在巡航阶段下临时制动的动态目标速度曲线追踪场景8031。
在所述三种场景的超调量仿真结果8012、8022和8032中,列车速度产生的超调量均没有超过2km/h的最大超调量阈值。
上述描述仅是对本申请较佳实施例的描述,并非是对本申请范围的任何限定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更或修饰均应当视为等同的有效实施例,均属于本申请技术方案保护的范围。
Claims (6)
1.一种场景自适应的轨道交通ATO控制系统,其特征在于,包括运行信息获取模块201、场景自适应控制模块202和列车牵引/制动执行模块203,所述场景自适应控制模块202接收运行信息获取模块201的信息输入,通过学习、预测和优化后形成控制指令输入给所述列车牵引/制动执行模块203。
2.如权利要求1所述的场景自适应的轨道交通ATO控制系统,其特征在于,所述场景自适应控制模块202包括参数整定模块2021和列车控制模块2022,所述参数整定模块2021包括机器学习模块20211、模型优化评价模块20212和列车状态更新模块20213,所述列车控制模块2022包括工况判断模块20221、预测模块20222、滑模PID控制模块20223、指令控制模块20224和加速度指令生成模块20225,其中:
所述机器学习模块20211用于在列车试运行过程中输入运行信息获取模块201的信息,在列车实际运行控制前,不断调整滑模PID控制模块的控制器参数以确定针对当前线路的最佳控制器参数值;
所述模型优化评价模块20212用于对于滑模PID控制模块20223不同的指标要求进行计算分析,判断机器学习模块20211的迭代次数,最终将结果输出到列车控制模块2022中;
所述列车状态更新模块20213用于将根据相关运行信息构建仿真场景,不断为机器学习模块20211提供输入参数,同时实现基于列车完整运行区间的参数优化目的;
所述工况判断模块20221,接收运行信息获取模块201的信息输入,用于实现对列车实时运行工况进行计算的功能,提供给预测模块20222;
所述预测模块20222用于实现对列车工况是否即将切换的判断功能以及实现列车在工况切换前计算可抑制列车速度产生超调的合适指令加速度值的功能,提供给滑模PID控制模块20223、指令控制模块20224;
所述滑模PID控制模块20223将输出的指令加速度值提供给加速度指令生成模块20225;
所述指令控制模块20224用于实现在列车工况发生切换时从所述预测模块20222传输所述预测模块20222生成的合适指令加速度值,提供给加速度指令生成模块20225;
所述加速度指令生成模块20225用于实现向所述列车牵引/制动执行模块203传输实时指令加速度值。
3.如权利要求2所述的场景自适应的轨道交通ATO控制系统,其特征在于,列车在同一个控制周期下,指令控制模块20224和滑模PID控制模块20223中只有一个模块会发送指令加速度,指令加速度的发送由预测模块20222决定;当预测模块20222预测到列车的工况即将发生切换,继续使用滑模PID控制模块20223发送的指令加速度会导致列车在工况切换时发生超调时,将会向指令控制模块20224提前发送工况切换后的目标曲线加速度值以抑制列车在即将到来的工况切换阶段发生速度超调,同时停止这一控制周期滑模PID控制模块对指令加速度的输出;由加速度指令生成模块20225输出的指令加速度在传入列车牵引/制动执行模块203之前会经历一个加速度传输和响应的过程。
4.如权利要求2所述的场景自适应的轨道交通ATO控制系统,其特征在于,所述滑模PID控制模块包括滑模控制器和PID控制器,即滑模控制模型和PID模型;神经网络控制算法,主要包括了滑模控制、PID控制、智能学习算法和仿真运行,运行于滑模PID控制模块和机器学习模块:
系统运行控制模型需要给定初始的速度增益参数kv、加速度增益参数ka、比例环节参数kp、积分环节参数ki、微分环节参数kd值,对滑模控制器和PID控制器进行初始化设置;
一、滑模控制部分包含的主要参数为kv与ka,当两个参数确定后,滑模控制模型的控制器即得到确定;
二、PID控制部分包含的主要参数为kp、ki、kd,当三个参数确定后,PID模型的控制器效果即得到确定;
三、智能学习算法部分:通过当前仿真结果中列车的仿真加速度和ATO目标速度曲线中给定的目标加速度的差值,进行优化学习,对PID控制器中的kp、ki、kd值进行迭代;
四、系统运行控制模型需要提前读取已有的ATO目标速度曲线数据、线路环境条件数据等,以支撑仿真运行部分;相关部分将根据当前列车的控制参数所对应的模型与线路、环境条件进行的运动学与动力学计算,更新列车的运行状态;当滑模控制器与PID控制器确定,则列车此刻的运行控制模型确定,通过仿真运行部分,实现列车的仿真计算和控制。
5.如权利要求4所述的场景自适应的轨道交通ATO控制系统,其特征在于,具体过程如下:
初始时刻,通过滑模控制器,输出由滑模控制器给出的控制加速度as1,和上一时刻受控列车的实际运行加速度acu,一并输入至PID控制器,经由PID控制得到新的控制加速度as2,将前后两个控制加速度进行加权,得到实际的输出指令加速度as;
经过线路条件和环境因素的线性叠加和对于受控列车非线性控制,得到列车实际的运行加速度acu,并代入下一阶段的闭环控制中;
此外,acu也将作为智能控制算法的输入,判断PID控制器的控制参数是否需要进行优化迭代,保证列车能够维持较好的运行效果;若ATO目标速度曲线数据中的目标加速度atarget与实际运行加速度acu的偏差未超过设定阈值,直接转入下一时间窗口的计算;否则,在下一次控制前,需要先进行PID控制器的优化学习,生成一套全新的kp、ki、kd,以供后续的计算控制。
6.如权利要求5所述的场景自适应的轨道交通ATO控制系统,其特征在于,神经网络的网络结构参数设置和迭代规则,如下:
选择构建4-5-3结构的BP神经网络,输入层的输入为PID控制器的三个指标kp、ki、kd以及常数项,输出层的输出则为新的PID控制器的指标值;隐含层的激活函数和输出层的激活函数分别为公式(1)与公式(2),公式(3)为性能指标参数计算方式,其中:
u(k)表示k时刻列车实际输出加速度;
acu表示列车的实际运行加速度:
atarget表示列车依照给定ATO曲线所应达到的目标加速度;
E(k)表示k时刻选定的性能指标参数值;
输出层连接权值更新方式分别为公式(4)与公式(5),隐含层连接权值更新方式分别为公式(6)与公式(7),其中
η表示模型学习速率;
α表示惯性系数;
Δωij 2(k+1)为k+1时刻,输入层和隐含层的权值变化量;
Δωli 3(k+1)为k+1时刻,隐含层和输出层的权值变化量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310124020.9A CN116176654A (zh) | 2023-02-16 | 2023-02-16 | 一种场景自适应的轨道交通ato控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310124020.9A CN116176654A (zh) | 2023-02-16 | 2023-02-16 | 一种场景自适应的轨道交通ato控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116176654A true CN116176654A (zh) | 2023-05-30 |
Family
ID=86448233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310124020.9A Pending CN116176654A (zh) | 2023-02-16 | 2023-02-16 | 一种场景自适应的轨道交通ato控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116176654A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117734789A (zh) * | 2024-02-20 | 2024-03-22 | 北京和利时系统工程有限公司 | 列车速度控制参数调整方法、装置及电子设备 |
-
2023
- 2023-02-16 CN CN202310124020.9A patent/CN116176654A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117734789A (zh) * | 2024-02-20 | 2024-03-22 | 北京和利时系统工程有限公司 | 列车速度控制参数调整方法、装置及电子设备 |
CN117734789B (zh) * | 2024-02-20 | 2024-04-26 | 北京和利时系统工程有限公司 | 列车速度控制参数调整方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11205124B1 (en) | Method and system for controlling heavy-haul train based on reinforcement learning | |
CN108944930B (zh) | 一种基于lstm的模拟驾驶员特性的自动跟车方法及系统 | |
CN110992677B (zh) | 一种应对通信异常的智能网联汽车编队控制方法及系统 | |
Wang et al. | Continuous control for automated lane change behavior based on deep deterministic policy gradient algorithm | |
CN111267831A (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN114253274B (zh) | 基于数据驱动的网联混合车辆编队滚动优化控制方法 | |
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 | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN110758413B (zh) | 一种基于系统参数辨识的列车速度自适应控制方法 | |
CN116176654A (zh) | 一种场景自适应的轨道交通ato控制系统 | |
CN114074680B (zh) | 基于深度强化学习的车辆换道行为决策方法及系统 | |
CN108919799B (zh) | 一种网联智能车辆协作换道方法 | |
CN113741199B (zh) | 一种基于智能网联信息的整车经济性速度规划方法 | |
CN114488799B (zh) | 汽车自适应巡航系统控制器参数优化方法 | |
CN114999227B (zh) | 非信控交叉路口混合多车无模型预测协同控制方法 | |
CN113741464A (zh) | 一种基于时空数据强化学习的自动驾驶速度控制框架 | |
CN113391553B (zh) | 具有执行器饱和的异构cacc系统的自适应最优控制方法 | |
She et al. | Cruising control approach for virtually coupled train set based on model predictive control | |
CN114802370A (zh) | 用于训练轨道车辆的控制装置的方法、控制装置和轨道车辆 | |
CN114200835A (zh) | 一种基于Tube MPC的异构车队稳定性分布式控制方法 | |
CN111598311B (zh) | 一种新型列车运行速度曲线智能优化方法 | |
CN117104310A (zh) | 基于数据驱动预测控制的虚拟编组控制方法及系统 | |
CN114670856B (zh) | 一种基于bp神经网络的参数自整定纵向控制方法及系统 | |
CN113635900B (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 |
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 |