CN117048667A - 一种基于车辆动态响应辨识的重载列车控制方法及系统 - Google Patents
一种基于车辆动态响应辨识的重载列车控制方法及系统 Download PDFInfo
- Publication number
- CN117048667A CN117048667A CN202311074481.6A CN202311074481A CN117048667A CN 117048667 A CN117048667 A CN 117048667A CN 202311074481 A CN202311074481 A CN 202311074481A CN 117048667 A CN117048667 A CN 117048667A
- Authority
- CN
- China
- Prior art keywords
- train
- heavy
- speed
- time
- duty
- 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
- 230000004044 response Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000002245 particle Substances 0.000 claims abstract description 49
- 230000001133 acceleration Effects 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000011217 control strategy Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 6
- 230000003137 locomotive effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
- B61L25/021—Measuring and recording of train speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于车辆动态响应辨识的重载列车控制方法及系统,涉及列车控制技术领域,该方法包括:根据重载列车不同车厢的动力学响应差异,将重载列车的车厢划分为多个区块;以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型;采用施密斯预估器对重载列车复杂线路条件下速度的时滞特性进行补偿;当重载列车的速度变化量,或者无级调速下加速度变化量超出设定范围时,采用模糊PID‑Smith时滞控制器对车辆运行模型输出速度进行控制;当重载列车速度跟踪精度超出设定范围时,采用改进的粒子群算法对模糊PID‑Smith时滞控制器的参数进行动态调整。本发明提高重载列车时滞特性下的参数整定精度和控制的可靠性。
Description
技术领域
本发明涉及列车控制技术领域,特别是涉及一种基于车辆动态响应辨识的重载列车控制方法及系统。
背景技术
重载铁路运输因其运能大、运输成本低及环保等优点,已成为世界当今和未来主要发展的大宗货物和中长途货物运输模式,而列车纵向冲击载荷以及机车车辆受压安全性始终是影响安全运输的瓶颈问题。相对客运列车,重载列车在纵向动力学特性和动态响应方面均具有较大的差异。在车辆控制方面,重载列车具有大时滞(司机反应时间、控制指令传输时间、车辆响应时间)等显著特征,在列车变工况点附近出现较大的纵向冲击和车钩力,进而引起车钩分离、断钩等安全事故,严重制约重载铁路健康发展。
由于缺少可靠的控制模型,传统的多质点模型因计算复杂度高,难以满足车载计算机实时计算的要求,重载列车操控自动化能力不足,安全运行控制过程主要依赖司乘人员来保证,对于司乘人员技能、经验依赖性过强,劳动强度大,运行安全风险大。
发明内容
本发明的目的是提供一种基于车辆动态响应辨识的重载列车控制方法及系统,提高重载列车的控制精度。
为实现上述目的,本发明提供了如下方案:
一种基于车辆动态响应辨识的重载列车控制方法,包括:
根据重载列车不同车辆的动力学响应差异,将重载列车的车厢划分为多个区块;
基于各区块机理特性和动力学响应共有的输入输出,以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型,即用一阶时滞模型来等效描述车辆动态响应;其中所述机理特性为车辆的纵向运动学方程;动力学响应为车辆接口信号的变化规律。
采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿,并根据补偿后的列车速度对相应区块的控制信号进行反馈调节;所述复杂线路为线路坡段长度在每400米范围内的代数差超过30‰和车钩力超过2250KN,出现断钩安全隐患的运营场景;所述控制信号为所述牵引力或者所述制动力,车辆运行模型输出为列车速度;
在重载列车复杂线路条件下,当单位时间内重载列车速度变化量大于第一阈值,或者无级调速下加速度变化量大于第二阈值时,则根据所述车辆运行模型设计模糊PID-Smith时滞控制器进行速度跟踪控制;所述模糊PID-Smith时滞控制器为基于不同手柄级位对应不同的速度控制策略构建的;所述模糊PID-Smith时滞控制器的输入为所述牵引力或者制动力,所述模糊PID-Smith时滞控制器的输出为速度;在所述重载列车复杂线路条件下速度跟踪控制过程中,当速度跟踪精度大于第三阈值时,采用改进的粒子群算法对模糊PID-Smith时滞控制器参数进行动态调整;其中,所述第一阈值为方波控制信号下超调量不超过4%;第二阈值为紧急制动下两个采样周期内加速度变化量不大于0.47m/s-2;第三阈值为恒速控制误差小于0.1km/h。
可选地,所述车辆运行模型表示为:
y(k)=-a1y(k-1)-a2y(k-1-τ)+b0u(k-1)+ξ(k);
其中,y(k)表示k时刻的列车速度,y(k-1)表示k-1时刻的列车速度,y(k-1-τ)表示k-1-τ时刻的列车速度,τ表示延时常数,u(k-1)表示k-1时刻的牵引力,ξ(k)表示k时刻噪声序列,a1表示第一参数,a2表示第二参数,b0表示第三参数。
可选地,还包括:
采用带有遗忘因子的递推最小二乘算法来辨识所述车辆运行模型中的所述第一参数、所述第二参数和所述第三参数。
可选地,所述改进的粒子群算法的粒子更新策略表示为:
其中,xt表示粒子在t时刻的位置,xt+1表示粒子在t+1时刻的位置,vt表示粒子在t时刻的速度,vt+1表示粒子在t+1时刻的速度,w为惯性权重,c1和c2均为学习因子,r1和r2均为[0,1]之间的随机数,Pt为在t时刻单个粒子的最优位置,Gt为在t时刻整个粒子群的最优位置。
可选地,所述动力学响应差异具体为速度响应差异。
本发明公开了一种基于车辆动态响应辨识的重载列车控制系统,包括:
区块划分模块,用于根据重载列车不同车厢的动力学响应差异,将重载列车的车厢划分为多个区块;
车辆运行模型建立模块,用于基于各区块机理特性和动力学响应共有的输入输出,以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型,即用一阶时滞模型来等效描述车辆动态响应;
施密斯预估器反馈调节模块,用于采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿,并根据补偿后的列车速度对相应区块的控制信号进行反馈调节;所述复杂线路为线路坡段长度在每400米范围内的代数差超过30‰和车钩力超过2250KN,出现断钩安全隐患的运营场景;所述控制信号为所述牵引力或者所述制动力,车辆运行模型输出为列车速度;
模糊PID-Smith时滞控制器控制模块,用于在重载列车复杂线路条件下,当单位时间内重载列车速度变化量大于第一阈值,或者无级调速下加速度变化量大于第二阈值时,则根据所述车辆运行模型设计模糊PID-Smith时滞控制器进行速度跟踪控制;所述模糊PID-Smith时滞控制器为基于不同手柄级位对应不同的速度控制策略构建的;所述模糊PID-Smith时滞控制器的输入为所述牵引力或者制动力,所述模糊PID-Smith时滞控制器的输出为速度;在所述重载列车复杂线路条件下速度跟踪控制过程中,当速度跟踪精度大于第三阈值时,采用改进的粒子群算法对模糊PID-Smith时滞控制器参数进行动态调整;其中,所述第一阈值为方波控制信号下超调量不超过4%;第二阈值为紧急制动下两个采样周期内加速度变化量不大于0.47m/s-2;第三阈值为恒速控制误差小于0.1km/h。
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:
本发明针对具有大时滞特性的重载列车优化控制问题,公开了公开一种基于车辆动态响应辨识的重载列车控制方法,根据重载列车不同车厢的动力学响应差异,将重载列车的车厢划分为多个区块;
基于各区块机理特性和动力学响应共有的输入输出,以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型,即用一阶时滞模型来等效描述车辆动态响应;其中所述机理特性为车辆的纵向运动学方程;动力学响应为车辆接口信号的变化规律。
采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿,并根据补偿后的列车速度对相应区块的控制信号进行反馈调节;所述复杂线路为线路坡段长度在每400米范围内的代数差超过30‰和车钩力超过2250KN,出现断钩安全隐患的运营场景;所述控制信号为所述牵引力或者所述制动力,车辆运行模型输出为列车速度;
在重载列车复杂线路条件下,当单位时间内重载列车速度变化量大于第一阈值,或者无级调速下加速度变化量大于第二阈值时,则根据所述车辆运行模型设计模糊PID-Smith时滞控制器进行速度跟踪控制;所述模糊PID-Smith时滞控制器为基于不同手柄级位对应不同的速度控制策略构建的;所述模糊PID-Smith时滞控制器的输入为所述牵引力或者制动力,所述模糊PID-Smith时滞控制器的输出为速度;在所述重载列车复杂线路条件下速度跟踪控制过程中,当速度跟踪精度大于第三阈值时,采用改进的粒子群算法对模糊PID-Smith时滞控制器参数进行动态调整;其中,所述第一阈值为方波控制信号下超调量不超过4%;第二阈值为紧急制动下两个采样周期内加速度变化量不大于0.47m/s-2;第三阈值为恒速控制误差小于0.1km/h。
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为本发明实施例提供的一种基于车辆动态响应辨识的重载列车控制方法流程示意图;
图2为本发明实施例提供的基于区块链的重载列车结构示意图;
图3为本发明实施例提供的带有遗忘因子最小二乘法建模误差分析示意图;
图4为本发明实施例提供的基于改进的PSO算法的模糊PID-Smith控制系统模型示意图;
图5为本发明实施例提供的PSO-模糊PID-Smith控制器原理示意图;
图6为本发明实施例提供的基于改进的PSO算法的最优个体适应值迭代变化示意图;
图7为本发明实施例提供的PSO-模糊PID-Smith控制效果曲线示意图;
图8为本发明实施例提供的扰动恢复能力对比曲线图;
图9为本发明实施例提供的速度控制误差对比示意图;
图10为本发明实施例提供的PSO-模糊PID-Smith控制速度跟踪曲线图;
图11为本发明实施例提供的一种基于车辆动态响应辨识的重载列车控制系统的结构示意图。
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基于车辆动态响应辨识的重载列车控制方法及系统,提高重载列车的控制精度。
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。
实施例一
如图1所示,本实施例提供了一种基于车辆动态响应辨识的重载列车控制方法,该方法包括如下步骤。
S101:根据重载列车不同车厢的动力学响应差异,将重载列车的车厢划分为多个区块。
S102:基于各区块机理特性和动力学响应共有的输入输出,以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型,即用一阶时滞模型来等效描述车辆动态响应。
其中,机理特性为车辆的纵向运动学方程;动力学响应为车辆接口信号的变化规律。
本实施例首先引入车辆动态响应辨识技术,按长大编组重载列车在复杂线路条件下不同车辆动力学(速度,加速度和车钩力)响应差异,将重载列车纵向动力学模型等效为不同区块相互耦合的系统,并对列车运行过程中的速度、车钩力、坡度等进行跟踪与记录,结合分块模型的时滞响应特性和可获得的现场数据(机车数据、列车运行数据和线路数据),建立可靠的基于数据驱动的车辆运行模型。
本实施例通过对区块中的实际运行数据(机车为牵引力/制动力,速度;拖车为车钩力,速度)分析,挖掘出车辆动态响应辨识模型和动力学模型共有的最小二乘结构,采用带有遗忘因子递推最小二乘算法辨识模型参数,实现不同区块动态响应的差异性变化,从而验证重载列车车辆动力学的分层递阶现象。
作为具体实施方式,动力学响应差异具体为速度响应差异。
对于区块的车辆动态响应,使用二阶系统来描述其特性,在控制中可以用带有延时的一阶模型来等效。用带延时的一阶模型来近似描述车辆动态响应完全可以满足实际应用的要求,其中,牵引力的传递函数F(s)和速度的传递函数V(s)之间的关系为:
其中,K为比例系数,T为惯性时间常数,τ为延时常数,s表示复变量。
挖掘出车辆动态响应辨识模型和动力学模型共有的最小二乘结构,则式(1)的离散化结构可用带延时的一阶自回归模型来描述列车的牵引过程,自回归模型(车辆运行模型)为:
其中,为数据向量,θ=[a1 a2 b0]表示为待辨识的参数,y(k)表示k时刻的列车速度,y(k-1)表示k-1时刻的列车速度,y(k-1-τ)表示k-1-τ时刻的列车速度,τ表示延时常数,u(k-1)表示k-1时刻的牵引力,ξ(k)表示k时刻噪声序列,a1表示第一参数(第一待辨识的参数),a2表示第二参数(第二待辨识的参数),b0表示第三参数(第三待辨识的参数)。
本实施例一种基于车辆动态响应辨识的重载列车控制方法还包括:
采用带有遗忘因子的递推最小二乘算法来辨识车辆运行模型中的第一参数、第二参数和第三参数,即式(2)中未知参数,具体如下:
其中,λ为遗忘因子,λ通常选取的范围为(0.9~1.0),P(0)=(104~1010)I,I为单位矩阵,向量θ可以通过递推迭代估算得出。T表示转置,P(k)表示迭代的增益矩阵,K(k)表示与观测向量相关的增益矩阵,表示未知参数的估计值;k为大于等于1的自然数。
S103:采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿,并根据补偿后的列车速度对相应区块的控制信号进行反馈调节。
其中,重载列车复杂线路为线路坡段长度在每400米范围内的代数差超过30‰和车钩力超过2250KN,出现断钩安全隐患的运营场景;控制信号为牵引力或者制动力,车辆运行模型输出为列车速度。
S104:在重载列车复杂线路条件下,当单位时间内重载列车速度变化量大于第一阈值,或者无级调速下加速度变化量大于第二阈值时,则根据车辆运行模型设计模糊PID-Smith时滞控制器进行速度跟踪控制;模糊PID-Smith时滞控制器为基于不同手柄级位对应不同的速度控制策略构建的;模糊PID-Smith时滞控制器的输入为牵引力或者制动力,模糊PID-Smith时滞控制器的输出为速度;在重载列车复杂线路条件下速度跟踪控制过程中,当速度跟踪精度大于第三阈值时,采用改进的粒子群算法对模糊PID-Smith时滞控制器参数进行动态调整。
其中,第一阈值为方波控制信号下超调量不超过4%;第二阈值为紧急制动下两个采样周期内加速度变化量不大于0.47m/s-2;第三阈值为恒速控制误差小于0.1km/h。
其中,不同手柄级位对应不同的速度控制策略,例如包括:手柄级位为正10级时牵引对应最大牵引功率,手柄级位为正5级时牵引对应预设恒速牵引功率,柄级位为负10级时牵引对应最大制动功率。
本实施例以机车和拖车共同参与的区块为例,采用施密斯预估器对重载列车时滞特性进行补偿;针对施密斯预估器难以应对系统干扰和参数变化对列车运行控制的影响(单位时间内重载列车的列车速度变化量大于第一阈值,或者无级调速下加速度变化量大于第二阈值时),融合司机的操纵经验知识和辨识的车辆运行模型,设计速度预估模糊PID-Smith时滞控制器,从而使系统的速度跟踪控制具有较小的超调(方波控制信号下超调量下不超过4%))、较高的跟踪精度(恒速控制误差小于0.1km/h)和较快的响应速度(稳态响应时间不超过两个采样周期)。
单位时间内重载列车的列车速度变化量大于第一阈值可能为司机控制器误动作导致。
本实施例将司机长期实践积累的经验知识用模糊规则库进行模型化,建立离线的查询模糊矩阵表;在线运行时,运用模糊推理设计速度预估模糊PID-Smith时滞控制器,通过对模糊逻辑规则的结果处理、查表和运算,降低列车运行过程中不确定因素对速度跟踪控制的影响。
本实施例一种基于车辆动态响应辨识的重载列车控制方法,还包括在重载列车复杂线路条件下速度跟踪控制过程中,采用模糊规则库对模糊PID-Smith时滞控制器的参数进行调整。
本实施例中,模糊PID-Smith时滞控制器利用模糊控制原理在线实时调整PID参数,使被控对象有良好的自适应性和控制性能。模糊PID-Smith时滞控制器设计是以重载列车速度跟踪误差e和误差变化率ec为输入,ΔKp、ΔKi、ΔKd参数的变化量为输出。建立合适的模糊规则库,其模糊控制规则应遵循以下规律:
①当e和ec较小或等于0时,Kp取值较大,Ki取值较大,Kd取值中等大小。即e大于等于0且小于第一阈值,且ec大于等于0且小于第二阈值时,Kp取值在第一范围内,Ki取值在第二范围内,Kd取值在第三范围内。
②当e和ec较大时,Kp取值较大,Ki取值为零,Kd取值较小。即e大于或者等于第三阈值,且ec大于或者等于第四阈值时,Kp取值在第一范围内,Ki取值为零,Kd取值在第四范围内。
③当e和ec中等大小时,Kp取值较小,Ki取值适中,Kd取值适中。即e大于或者等于第一阈值且小于第三阈值,且ec大于或者等于第二阈值且小于第四阈值时,Kp取值在第五范围内,Ki取值在第六范围内,Kd取值在第三范围内。
第一范围内的最小值大于第五范围的最大值,第二范围内的最小值大于第六范围的最大值,第三范围的最小值大于第四范围的最大值。
Kp、Ki、Kd分别表示模糊PID-Smith控制器中比例系数、积分系数和微分系数。ΔKp、ΔKi、ΔKd分别表示Kp、Ki、Kd的变化量。
对于重载列车运行过程中具有大时滞(司机反应时间、控制指令传输时间、车辆响应时间)等显著特征的问题,本发明采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿,其传递函数表达式改进为:
其中,G(s)表示为Smith预估补偿器的传递函数,S表示传递函数算子。
可选的,在重载列车复杂线路条件下速度跟踪控制过程中,采用改进的粒子群算法对模糊PID-Smith时滞控制器的时滞特性参数进行动态调整。
由于司机经验具有局限性、盲目性以及模糊控制中不确定因素过多,导致复杂工况下重载列车控制性能较差,本实施例考虑到重载列车在复杂工况下稳定工作,采用固定参数的模糊PID-Smith时滞控制器将使列车运行性能变差甚至产生不稳定,设计改进粒子群(Particle Swarm Optimization(PSO))算法来优化重载列车模糊PID-Smith时滞控制器参数,提高重载列车不同工况下运行平稳性和鲁棒性。更具体的,本实施例改进的PSO算法良好的全局寻优能力,能够动态调整模糊PID-Smith控制器参数,并根据控制性能指标来优化量化因子和比例因子,从而实现对模糊PID-Smith时滞控制器的智能优化,进一步提高控制系统的动态性能。
在重载列车复杂线路条件下速度跟踪控制过程中,当速度跟踪精度大于第三阈值,第三阈值为恒速控制误差小于0.1km/h时,采用改进的粒子群算法对模糊PID-Smith控制器的的时滞特性参数进行动态调整。
本实施例利用改进PSO算法来动态调整模糊PID-Smith时滞控制器参数,使其智能优化PID控制器的控制参数Kp1、Ki1、Kd1初值,从而提高控制系统的动态性能。采用误差绝对值时间积分性能指标为PSO算法的适应度函数优化系统的控制性能。将粒子看作是一个N维空间的解向量,设xt和vt代表粒子i的空间位置和速度,则在t时刻,粒子的更新策略可以表示为:
其中,xt表示粒子在t时刻的位置,xt+1表示粒子在t+1时刻的位置,vt表示粒子在t时刻的速度,vt+1表示粒子在t+1时刻的速度,w为惯性权重,c1和c2均为学习因子,r1和r2均为[0,1]之间的随机数,Pt为在t时刻单个粒子的最优位置,Gt为在t时刻整个粒子群的最优位置。
本发明针对具有大时滞特性的重载列车优化控制问题,根据重载列车不同车辆的动力学响应差异,将重载列车的车辆划分为多个区块;以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型;采用施密斯预估器对重载列车复杂线路条件下速度的时滞特性进行补偿;当重载列车的速度变化量,或者无级调速下加速度变化量超出设定范围时,采用模糊PID-Smith时滞控制器对车辆运行模型输出速度进行控制;当重载列车速度跟踪精度超出设定范围时,采用改进的粒子群算法对模糊PID-Smith时滞控制器的时滞特性参数进行动态调整。本发明提高重载列车时滞特性下的参数整定精度和控制的可靠性。
实施例二
本实施例提供了一种基于车辆动态响应辨识的重载列车控制方法。
本实施例以重载列车运行速度控制为实施对象。如图2所示,根据车辆动态响应辨识技术可将车辆控制系统分为只有拖车参与的区块,以及机车和拖车共同参与的区块,区块数量为N,N为正整数,将线路数据和列车自动防护系统(Automatic Train Protection,ATP)数据及列车运行操作经验等通过路侧单元传输至联盟区块链,对上述两种区块进行列车区块链数据共享,使车辆控制系统分为数据输入端(即ATP)与数据接收端(列车)。具体应用到重载列车纵向动力学建模中,按长大编组重载列车在复杂线路条件下不同车辆动力学(速度,加速度和车钩力)响应差异,将重载列车纵向动力学模型等效为不同区块相互耦合的系统,分别建立各区块的车辆运行模型,通过数据共享,得出各节点车钩力和司机操纵建议。本实施例以首个机车和拖车共同参与的区块提出基于改进PSO算法的模糊PID-Smith控制方法,该方法不仅能够解决重载列车速度控制的精度问题,还能够消除模型延时对控制系统造成的不利影响。
本实施采用单输入单输出的一阶自回归模型来描述区块车辆模型,其自回归模型为:
A(z-1)y(k)=B(z-1)u(k-1)+ξ(k) (6)
其中,ξ(k)为噪声序列,A(z-1)、B(z-1)展开式如下:
其中,na、nb分别是公式(7)中输入、输出的阶数。由前面分析可知,区块内的重载列车动态响应模型可用一阶系统来等效,即nb=1,na=0,则式(6)可用单输入单输出的一阶自回归模型描述:
y(k)=-a1y(k-1)+b0u(k-1)+ξ(k) (8)
其中,是数据向量;θ=[a1,b0]为待估计的参数向量。
通过分析数据,如图3所示本实施例预测模型相比真实数据滞后一个单位的采样周期,所建立的数学模型(车辆运动模型)为一阶纯延时传递函数模型。
针对重载列车运行过程中的大时滞问题,本实施中采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿。如图4所示,本实施例提供了一种基于重载列车动态响应辨识的模糊PID-Smith控制器的设计方法:
基于列车速度误差e和误差变化率ec,根据模糊规则实时对调整PID控制参数ΔKp、ΔKi、ΔKd寻找最优解,进而对PID控制参数Kp、Ki、Kd在线调整。调整策略如下式所示:
其中,Kp1、Ki1、Kd1为PID控制参数的初值。
如图5所示,本实施例提供了一种基于改进的PSO算法对模糊PID-Smith时滞控制器参数进行优化方法:
改进的PSO算法参数设置的流程如下:
①初始化:设置粒子种群规模为SwarmSize=100,维数Dim=3,惯性权重为随机惯性权重,学习因子c1=c2=2,搜索空间最大值Vmax=1,最小值Vmin=-1,最大迭代次数为MaxIter=20,同时对粒子的位置、速度初始化。
②为了获取最优的解,采用误差绝对值时间积分性能指标为PSO算法的适应度函数,准则如下:
式中,F为适应度值,t为时间,e(t)为系统误差。
③产生粒子群,粒子群对Kp1、Ki1、Kd1进行赋值,根据公式(10),得到每个粒子的适应度值,并进行对比选优,选出个体最优以及全局最优。
④更新粒子的位置和速度,如果达到终止条件,就输出最优解,否则进行粒子更新操作,产生新的粒子群进行下一次循环操作。
图5中r(t)为预计速度,y(t)为真实速度,u(t)为牵引力。
通过改进的粒子群算法优化后得到PID控制参数Kp、Ki、Kd,由图6适应度值的优化结果所示,粒子群在迭代达到11次时,可以达到最优的适应度值。
为了确定单位时间内重载列车速度变化量的第一阈值,图7给出了方波控制信号下速度响应效果,相比传统模糊PID控制策略,本实施例的超调量更小(接近2%),满足超调量不超过4%的要求。
为了确定无级调速下加速度变化量的第二阈值,图8给出了紧急制动下加速度响应效果,从图中对比性分析结果可以看出,本实施例的加速度变化量在两个采样周期内为0.462m/s-2,满足加速度变化量不大于0.47m/s-2,而传统的PID控制器已出现不稳定现象,模糊PID控制器给出的加速度变化量为0.56m/s-2,不满足阈值设定要求。
为了确定速度跟踪精度的第三阈值,图9给出了不同控制策略下速度跟踪误差效果。采用传统模糊-Smith PID控制时,其恒速控制误差约为0.3km/h,且在速度突变时误差较大;采用本实施的控制策略时,其恒速控制误差不超过0.1km/h,在速度突变时误差较小,在一定程度上提高了重载列车的平稳性和安全性。
从图10的速度跟踪控制效果来看,本实施例给出的模糊PID控制器能消除重载列车时滞特性和参数变化带来的不利影响,能高精度地反映真实速度的变化规律,鲁棒性好,满足重载列车速度控制要求(恒速控制误差不超过0.1km/h)。
实施例三
如图11所示,本实施例还提供了一种基于车辆动态响应辨识的重载列车控制系统,该系统包括:
区块划分模块201,用于根据重载列车不同车厢的动力学响应差异,将重载列车的车厢划分为多个区块。
车辆运行模型建立模块202,用于基于各区块机理特性和动力学响应共有的输入输出,以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型,即用一阶时滞模型来等效描述车辆动态响应。
施密斯预估器反馈调节模块203,用于采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿,并根据补偿后的列车速度对相应区块的控制信号进行反馈调节;复杂线路为线路坡段长度在每400米范围内的代数差超过30‰和车钩力超过2250KN,出现断钩安全隐患的运营场景;控制信号为牵引力或者制动力,车辆运行模型输出为列车速度。
模糊PID-Smith时滞控制器控制模块204,用于在重载列车复杂线路条件下,当单位时间内重载列车速度变化量大于第一阈值,或者无级调速下加速度变化量大于第二阈值时,则根据车辆运行模型设计模糊PID-Smith时滞控制器进行速度跟踪控制;模糊PID-Smith时滞控制器为基于不同手柄级位对应不同的速度控制策略构建的;模糊PID-Smith时滞控制器的输入为牵引力或者制动力,模糊PID-Smith时滞控制器的输出为速度;在重载列车复杂线路条件下速度跟踪控制过程中,当速度跟踪精度大于第三阈值时,采用改进的粒子群算法对模糊PID-Smith时滞控制器参数进行动态调整;其中,第一阈值为方波控制信号下超调量不超过4%;第二阈值为紧急制动下两个采样周期内加速度变化量不大于0.47m/s-2;第三阈值为恒速控制误差小于0.1km/h。
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。
本文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,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于车辆动态响应辨识的重载列车控制方法,其特征在于,包括:
根据重载列车不同车厢的动力学响应差异,将重载列车的车厢划分为多个区块;
基于各区块机理特性和动力学响应共有的输入输出,以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型,即用一阶时滞模型来等效描述车辆动态响应;
采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿,并根据补偿后的列车速度对相应区块的控制信号进行反馈调节;所述复杂线路为线路坡段长度在每400米范围内的代数差超过30‰和车钩力超过2250KN,出现断钩安全隐患的运营场景;所述控制信号为所述牵引力或者所述制动力,车辆运行模型输出为列车速度;
在重载列车复杂线路条件下,当单位时间内重载列车速度变化量大于第一阈值,或者无级调速下加速度变化量大于第二阈值时,则根据所述车辆运行模型设计模糊PID-Smith时滞控制器进行速度跟踪控制;所述模糊PID-Smith时滞控制器为基于不同手柄级位对应不同的速度控制策略构建的;所述模糊PID-Smith时滞控制器的输入为所述牵引力或者所述制动力,所述模糊PID-Smith时滞控制器的输出为速度;在所述重载列车复杂线路条件下速度跟踪控制过程中,当速度跟踪精度大于第三阈值时,采用改进的粒子群算法对模糊PID-Smith时滞控制器参数进行动态调整;其中,所述第一阈值为方波控制信号下超调量不超过4%;第二阈值为紧急制动下两个采样周期内加速度变化量不大于0.47m/s-2;第三阈值为恒速控制误差小于0.1km/h。
2.根据权利要求1所述的基于车辆动态响应辨识的重载列车控制方法,其特征在于,所述车辆运行模型表示为:
y(k)=-a1y(k-1)-a2y(k-1-τ)+b0u(k-1)+ξ(k);
其中,y(k)表示k时刻的列车速度,y(k-1)表示k-1时刻的列车速度,y(k-1-τ)表示k-1-τ时刻的列车速度,τ表示延时常数,u(k-1)表示k-1时刻的牵引力,ξ(k)表示k时刻噪声序列,a1表示第一参数,a2表示第二参数,b0表示第三参数。
3.根据权利要求2所述的基于车辆动态响应辨识的重载列车控制方法,其特征在于,还包括:
采用带有遗忘因子的递推最小二乘算法来辨识所述车辆运行模型中的所述第一参数、所述第二参数和所述第三参数。
4.根据权利要求1所述的基于车辆动态响应辨识的重载列车控制方法,其特征在于,所述改进的粒子群算法的粒子更新策略表示为:
其中,xt表示粒子在t时刻的位置,xt+1表示粒子在t+1时刻的位置,vt表示粒子在t时刻的速度,vt+1表示粒子在t+1时刻的速度,w为惯性权重,c1和c2均为学习因子,r1和r2均为[0,1]之间的随机数,Pt为在t时刻单个粒子的最优位置,Gt为在t时刻整个粒子群的最优位置。
5.根据权利要求1所述的基于车辆动态响应辨识的重载列车控制方法,其特征在于,所述动力学响应差异具体为速度响应差异。
6.一种基于车辆动态响应辨识的重载列车控制系统,其特征在于,包括:
区块划分模块,用于根据重载列车不同车厢的动力学响应差异,将重载列车的车厢划分为多个区块;
车辆运行模型建立模块,用于以各区块的牵引力或者制动力作为输入,列车速度为输出建立各区块的车辆运行模型;
施密斯预估器反馈调节模块,用于采用一阶时滞模型和施密斯预估器集成的方式对重载列车复杂线路条件下列车速度时滞特性进行补偿,并根据补偿后的列车速度对相应区块的控制信号进行反馈调节;所述复杂线路为线路坡段长度在每400米范围内的代数差超过30‰和车钩力超过2250KN,出现断钩安全隐患的运营场景;所述控制信号为所述牵引力或者所述制动力,车辆运行模型输出为列车速度;
模糊PID-Smith时滞控制器控制模块,用于在重载列车复杂线路条件下,当单位时间内重载列车速度变化量大于第一阈值,或者无级调速下加速度变化量大于第二阈值时,则根据所述车辆运行模型设计模糊PID-Smith时滞控制器进行速度跟踪控制;所述模糊PID-Smith时滞控制器为基于不同手柄级位对应不同的速度控制策略构建的;所述模糊PID-Smith时滞控制器的输入为所述牵引力或者所述制动力,所述模糊PID-Smith时滞控制器的输出为速度;在所述重载列车复杂线路条件下速度跟踪控制过程中,当速度跟踪精度大于第三阈值时,采用改进的粒子群算法对模糊PID-Smith时滞控制器参数进行动态调整;其中,所述第一阈值为方波控制信号下超调量不超过4%;第二阈值为紧急制动下两个采样周期内加速度变化量不大于0.47m/s-2;第三阈值为恒速控制误差小于0.1km/h。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074481.6A CN117048667A (zh) | 2023-08-24 | 2023-08-24 | 一种基于车辆动态响应辨识的重载列车控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074481.6A CN117048667A (zh) | 2023-08-24 | 2023-08-24 | 一种基于车辆动态响应辨识的重载列车控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117048667A true CN117048667A (zh) | 2023-11-14 |
Family
ID=88669027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311074481.6A Pending CN117048667A (zh) | 2023-08-24 | 2023-08-24 | 一种基于车辆动态响应辨识的重载列车控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117048667A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874479A (zh) * | 2024-03-11 | 2024-04-12 | 西南交通大学 | 基于数据驱动的重载机车车钩力识别方法 |
-
2023
- 2023-08-24 CN CN202311074481.6A patent/CN117048667A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874479A (zh) * | 2024-03-11 | 2024-04-12 | 西南交通大学 | 基于数据驱动的重载机车车钩力识别方法 |
CN117874479B (zh) * | 2024-03-11 | 2024-05-24 | 西南交通大学 | 基于数据驱动的重载机车车钩力识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827535B (zh) | 非线性车辆队列协同自适应抗扰纵向控制方法 | |
CN107015477B (zh) | 基于状态反馈的车辆路径跟踪h∞控制方法 | |
Zha et al. | A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics | |
Fan et al. | Intelligent vehicle lateral control based on radial basis function neural network sliding mode controller | |
Badnava et al. | Platoon transitional maneuver control system: A review | |
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 | |
CN112346346A (zh) | 一种重载列车速度跟踪控制方法及系统 | |
Yang et al. | Longitudinal tracking control of vehicle platooning using DDPG-based PID | |
CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
Kebbati et al. | Lateral control for autonomous wheeled vehicles: A technical review | |
Yu et al. | Design of an acceleration redistribution cooperative strategy for collision avoidance system based on dynamic weighted multi-objective model predictive controller | |
CN114167733A (zh) | 一种高速列车速度控制方法及系统 | |
CN116027669A (zh) | 一种高速列车自适应滑模控制方法、系统及电子设备 | |
Kebbati et al. | Coordinated PSO-PID based longitudinal control with LPV-MPC based lateral control for autonomous vehicles | |
Wang et al. | Robust efficient cruise control for heavy haul train via the state-dependent intermittent control | |
CN108749816B (zh) | 运用能量耗散理论进行智能车辆速度调控的方法 | |
CN116859731A (zh) | 基于强化学习的增强高铁自动驾驶控制系统准时性的方法 | |
Sheykhi et al. | Providing robust-adaptive fractional-order sliding mode control in hybrid adaptive cruise control systems in the presence of model uncertainties and external disturbances | |
CN115016264A (zh) | 动态跟驰车距调整的主从协同控制方法、装置及存储介质 | |
CN111857112B (zh) | 一种汽车局部路径规划方法及电子设备 | |
CN113759701A (zh) | 一种高速列车速度控制方法及系统 | |
Wang et al. | Discrete-time robust PD controlled system with DOB/CDOB compensation for high speed autonomous vehicle path following | |
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 | |
Cai et al. | Implementation of the Human‐Like Lane Changing Driver Model Based on Bi‐LSTM | |
Zhao et al. | A Distributed Multiparticle Precise Stopping Control Model Based on the Distributed Model Predictive Control Algorithm for High-Speed Trains |
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 |