CN117549764A - 一种基于二型模糊搜索的黏着控制方法 - Google Patents
一种基于二型模糊搜索的黏着控制方法 Download PDFInfo
- Publication number
- CN117549764A CN117549764A CN202311793963.7A CN202311793963A CN117549764A CN 117549764 A CN117549764 A CN 117549764A CN 202311793963 A CN202311793963 A CN 202311793963A CN 117549764 A CN117549764 A CN 117549764A
- Authority
- CN
- China
- Prior art keywords
- adhesion
- train
- module
- creep speed
- torque
- 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 title claims abstract description 46
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61C—LOCOMOTIVES; MOTOR RAILCARS
- B61C15/00—Maintaining or augmenting the starting or braking power by auxiliary devices and measures; Preventing wheel slippage; Controlling distribution of tractive effort between driving wheels
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2200/00—Type of vehicles
- B60L2200/26—Rail vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/423—Torque
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- 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)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于二型模糊搜索的黏着控制方法,包括黏着系数估计模块、模糊逻辑模块、最优蠕滑速度搜索模块和PI转矩控制器模块,其中:黏着系数估计模块用于实时估计出当前轨面状态下的黏着系数并输入到模糊逻辑模块中;模糊逻辑模块用于计算当前轨面下搜索最优蠕滑速度的调整系数并输入到最优蠕滑速度搜索模块中;最优蠕滑速度搜索模块用于计算当前轨面下的参考蠕滑速度并输入到PI转矩控制器模块中;PI转矩控制器模块用于计算得到列车转矩控制值,并输出到列车动力学模型中,形成闭环控制,最终实现对高速列车的黏着控制。本发明能够实时搜索最大黏着点,实现了黏着的优化利用,黏着控制动态效应更好。
Description
技术领域
本发明涉及轨道交通牵引控制技术,尤其涉及一种基于二型模糊搜索的黏着控制方法。
背景技术
铁路在不断地提高着运行速度,不断更新着高速的概念。列车牵引力的发挥依赖于轮轨间的黏着,黏着力的大小由轮轨间的黏着状态决定,受到轨面条件、环境气候和列车运行状况等诸多因素的影响。因此在保证车轮相对静止不发生相对滑动的前提下,提供满足高速列车安全运行时的牵引力和制动力要求的黏着力也是一个应该关注的关键问题。根据蠕滑理论,在如图1所示的黏着特性曲线上,轮轨黏着特性在不同的轨面下随着蠕滑的变化有个最大值,在最大值位置对应的蠕滑速度就是最优蠕滑速度,根据这一特性,本设计提出了一种基于优化蠕滑速度搜索的高速列车黏着控制方法,从而进一步优化实现高速列车安全可靠的运行。
就目前的黏着控制方法而言,分为再黏着控制和优化黏着控制。再黏着控制方法通过轮对蠕滑速度和加速度来判断列车是否发生了空转、破坏了轮轨间的黏着;如果空转就马上降低电机实际给定的转矩,恢复轮轨间的黏着。优化黏着控制方法不但具有防止列车发生大空转的功能,同时以提高轮轨间的黏着利用为目的,是目前黏着控制研究的方向。
(1)再黏着控制
传统再黏着控制的基本思想是,基于列车运行时的轮轴速度差、加速度、加速度微分等信息,检测列车是否处于空转、滑行状态或者出现空转滑行的趋势,再根据预设的方案及时调整转矩从而使列车运行状态从空转区转到黏着区,避免空转滑行带来的危害,这方面以经典的组合校正法为主。再黏着控制方法也称为防滑行防空转方法,其本质是通过消除轮轨间的空转或滑行,恢复轮轨间的黏着。其优点是算法原理明确、计算速度快;缺点是控制阈值难以设定,需要开展大量的试验。在此基础上也发展处了一些方法,例如和结合模型,参考黏着特性犯法以及融合智能优化方法等。
(2)优化黏着控制
如果说传统再黏着控制的核心是避免列车空转或滑行,那么优化黏着控制就是在防止列车大幅度空转滑行的基础上,尽量使列车运行在最大黏着点上,因此优化黏着控制的核心思想就是随着列车的运行过程,在线搜索得到当前轨面的最大黏着点并设计对应的转矩控制器控制列车运行在最大黏着点上。除了传统的模型控制法、速度控制法,黏着斜率法,越来越多的研究开始关注智能优化算法在黏着控制和最佳黏着点搜索与跟踪上的应用,如滑模控制方法,自适应控制方法,预测控制方法,基于斜率法来实现对最大黏着系数的搜索,即通过观测黏着系数的斜率变化判断列车是否到达最大黏着点,基于智能控制算法的黏着控制方法,主要是基于模糊逻辑理论和机器学习方法。
发明内容
为了克服现有技术的上述缺点,本发明提出了一种基于二型模糊搜索的黏着控制方法。
本发明解决其技术问题所采用的技术方案是:一种基于二型模糊搜索的黏着控制方法,包括黏着系数估计模块、模糊逻辑模块、最优蠕滑速度搜索模块和PI转矩控制器模块,其中:
所述黏着系数估计模块利用列车实际的车轮转速和电机转矩,通过全维状态观测器实时估计出当前轨面状态下的黏着系数,并将估计结果输入到模糊逻辑模块中;
所述模糊逻辑模块利用黏着系数估计模块输入的黏着系数估计结果和列车动力学模型输入的当前时刻车速,通过偏差计算,计算出斜率值和单位时间斜率变化值,最后将计算所得的当前轨面下搜索最优蠕滑速度的调整系数输入到最优蠕滑速度搜索模块中;
所述最优蠕滑速度搜索模块通过当前时刻列车的黏着系数和蠕滑速度判断和估计黏着点在黏着特性曲线上的位置,再结合模糊逻辑模块计算所得的当前轨面下搜索最优蠕滑速度的调整系数计算得到参考蠕滑速度,最后将参考蠕滑速度输入到PI转矩控制器模块中;
所述PI转矩控制器模块利用最优蠕滑速度搜索模块输入的参考蠕滑速度和列车动力学模型输入的当前时刻车速计算得到列车转矩控制值,并输出列车转矩控制值到列车动力学模型中,形成闭环控制,最终实现对高速列车的黏着控制。
与现有技术相比,本发明的积极效果是:
(1)本发明提出了一种基于模糊逻辑和最优蠕滑速度搜索的黏着控制方法,能够实时搜索最大黏着点,实现了黏着的优化利用。
(2)本发明使用区间二型模糊系统对最优蠕滑速度搜索的调整值进行优化,可以很好地适应运行线路的复杂性和轮轨黏着的不确定性。
(3)本发明改进最优蠕滑速度搜索算法,通过模糊逻辑控制进行优化搜索步长,使得黏着控制的速度更快,黏着控制动态效应更好。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为黏着特性曲线;
图2为黏着控制总体设计框图;
图3为黏着曲线状态区间分布图;
图4为E和CE隶属度函数形式;
图5为模糊规则推理表。
具体实施方式
高速列车安全可靠的运行不仅需要良好的线路条件、性能优越的动车组,还应具有先进可靠的列车运行控制系统。快速准确地识别空转,优化黏着利用,对于发挥列车的牵引力,保证列车安全运行具有重要的意义。本发明基于蠕滑理论,设计了一种基于区间二型模糊的高速列车黏着最大点优化搜索方法,实现列车在干燥和潮湿两种轨面状态切换下快速准确地找到最优蠕滑速度并实现跟踪控制。
高速列车在实际的线路运行中,轮轨间的黏着特性会随着轨面状态的变化而不断变化。根据蠕滑理论,轮轨黏着特性在不同的轨面下随着蠕滑的变化有个最大值,在最大值位置对应的蠕滑速度就是最优蠕滑速度,黏着控制的目的是通过改变牵引转矩,使得黏着利用率达到最高。但是目前的黏着控制方法面对复杂的轨面环境无法做到准确快速地辨识和控制,而本发明设计的基于模糊逻辑的最优蠕滑速度搜索黏着控制方法,能根据不确定性变化的轨面,通过模糊逻辑的控制,使得列车转矩能随着轨面实时变化而快速做出相应调整,以提高黏着利用率。
本发明构建的全维状态观测器能够实时估计当前轨面状态的黏着系数值,将估计值和列车实时蠕滑速度进行模糊化计算,模糊逻辑器能很好解决不确定性的条件,通过最优蠕滑速度搜索算法能准确判断当前轨面的蠕滑速度应该增大还是减小,将其参考蠕滑速度值输入进PI转矩控制器中,最终实现对列车的牵引控制。
本发明以模糊逻辑控制为主的列车黏着控制系统,总体设计框图如图2所示。
黏着控制系统主要包括列车动力学模型、黏着系数估计模块、模糊逻辑模块、最优蠕滑速度搜索模块、PI转矩控制模块。最优蠕滑速度搜索模块通过当前时刻列车的黏着系数和蠕滑速度判断和估计黏着点在黏着特性曲线上的位置,再结合模糊逻辑模块计算所得的当前轨面下搜索最优蠕滑速度的调整系数值计算得到参考蠕滑速度值,最后将搜索结果(参考蠕滑速度值)输入到PI转矩控制器模块中;黏着系数估计模块利用列车实际的车轮转速和电机转矩,通过全维状态观测器实时估计出当前轨面状态下的黏着系数,将估计结果输入到模糊逻辑模块中;模糊逻辑模块利用黏着系数估计模块输入的黏着系数估计结果和列车动力学模型输入的当前时刻车速,通过偏差计算,输出斜率值和单位时间斜率变化值输入至模糊逻辑中,将模糊输出所得到的最优蠕滑速度调整系数值输入到最优蠕滑速度搜索模块中;PI转矩控制器模块利用最优蠕滑速度搜索模块输入的参考蠕滑速度值和列车动力学模型输入的当前时刻车速,输出列车转矩控制值,再将其输入回列车动力学模型中,形成闭环控制,最终实现对高速列车的黏着控制。下面将逐一介绍各模块原理。
(1)列车动力学模型
电机轴的转动方程和轮对转动方程:
式中J是车轮的转动惯量,T是车轮转矩,ωd表示轮对的车轮角速度,f表示黏着力,R表示车轮半径。Tm为电机的电磁转矩,Rg是传动比。
电机转速的加速度方程如式所示:
轮对转动方程的加速度方程如式所示:
式中Jm指的是电机的转动惯量,Jd指的是轮对的转动惯量。
对于总重量为M的列车,列车的动力学方程如下:
式中M为列车的总质量,fvt表示的是列车阻力,a,b,c为阻力计算的相关系数,W·g表示的是列车轴重。
计算黏着系数的经验公式为:
μ=c1·e-a1·vs-d1·e-b1·vs (5)
式中,a1,b1,c1,d1是与轨面条件有关的参数。
(2)最优蠕滑速度搜索模块
首先,针对不同的黏着特性曲线上的状态区间特征,这些区间被分成了8种不同的类型,如图3所示。若定义当前时刻为k则可以定义当前时刻由黏着系数估计器得到的黏着系数为对应的蠕滑率为sk。定义其变化量为/>Δsk=sk-sk-1,则每个状态区间可以表示为:
对于区间A有:
区间B有:
区间D有:
区间C有:
区间G有:
区间F有:
区间H代表了列车的空转或滑行趋势,对应的状态为:
代表最大黏着点的是点E,有:
然后定义了每一步的搜索步长为γ(k),则有:
s*(k+1)=s*(k)+γ(k+1) (14)
(3)黏着系数估计模块
根据列车动力学模型构建轮对侧的状态方程
式中,对于状态向量[ωm Tl]进行重构,构建了具有反馈增益的全维观测器,如:
因此负载转矩的估计值为:
式中,Jeq指的是归算到电机侧的转动惯量,为观测的电机负载转矩,p1,p2为设置的全维观测器两个系统极点,根据p1,p2设置不同,系统的响应性能也不尽相同,由式(18)即可得到切向力系数的观测值:
(4)模糊逻辑模块
将黏着系数μ和蠕滑速度vs进行偏差计算得到E和CE作为模糊输入量,蠕滑速度调整速度ΔD作为模糊输出值。其中斜率值E以及单位时间斜率的变化值CE的计算公式如下所示,即:
CE=E(k)-E(k-1)(21)
式中:μ(k)和vs(k)分别是高速列车运行时黏着系数和蠕滑速度在k时刻的采样值。
本发明中分别将输入变量E(k)、CE(k)和输出变量ΔD分割成5个模糊子集。并用“正大(PL)、正小(PS)、零(ZE)、负小(NS)、负大(NL)”语句描述。即:
E(k)={NL,NS,ZE,PS,PL} (22)
CE(k)={NL,NS,ZE,PS,PL} (23)
ΔD={NL,NS,ZE,PS,PL} (24)
将E(k)的论域设置为[-1,1];将CE(k)的论域同样设定为[-1,1];将ΔD的论域设定为[-1,-0.5,0,0.5,1]。
本发明根据控制的要求以及高速列车在运行时的特点,将模糊逻辑器的输入变量E和CE分别采用如图4所示的三角形隶属度函数的形式。
模糊逻辑规则采用IF A AND B THEN C的形式。规则库是模糊推理机工作的依据,采用T-S型。T-S型模糊系统的规则为:
模糊规则共25条,模糊规则如图5中的表1所示。
降阶方法采用改进KM算法(Enhanced KM Algorithm)。
二型模糊集合降型后为一型模糊集合,找到降型集合的质心,采用加权平均的方法得到。对于一个在离散域中一型模糊集合A,其质心CA可以表示为:
(5)PI转矩控制模块
PI黏着控制器的输入为参考蠕滑速度vref和蠕滑速度vs,通过PI调节得到参考转矩Tm,PI控制的控制率为:
Δvs=vref-vs (26)
ΔTm=K1·Δvs+K2·∫Δvs (27)
将PI控制器进行离散化处理,设I(k)为误差值Δvs在k时刻的积分值,则PI控制器可以转化为:
Δvs(k)=vref(k)-vs(k) (28)
ΔTm(k)=K1·Δvs(k)+K2·I(k) (29)
结合参考转矩,黏着控制器输出作用于牵引电机的最优牵引转矩:
Tm(k)=Tref(k)+ΔTm(k) (30)。
其中ΔTm(k)为控制系统在k时刻的转矩调整量。
Claims (8)
1.一种基于二型模糊搜索的黏着控制方法,其特征在于:包括黏着系数估计模块、模糊逻辑模块、最优蠕滑速度搜索模块和PI转矩控制器模块,其中:
所述黏着系数估计模块利用列车实际的车轮转速和电机转矩,通过全维状态观测器实时估计出当前轨面状态下的黏着系数,并将估计结果输入到模糊逻辑模块中;
所述模糊逻辑模块
利用黏着系数估计模块输入的黏着系数估计结果和列车动力学模型输入的当前时刻车速,通过偏差计算,计算出斜率值和单位时间斜率变化值,最后将计算所得的当前轨面下搜索最优蠕滑速度的调整系数输入到最优蠕滑速度搜索模块中;
所述最优蠕滑速度搜索模块通过当前时刻列车的黏着系数和蠕滑速度判断和估计黏着点在黏着特性曲线上的位置,再结合模糊逻辑模块计算所得的当前轨面下搜索最优蠕滑速度的调整系数计算得到参考蠕滑速度,最后将参考蠕滑速度输入到PI转矩控制器模块中;
所述PI转矩控制器模块利用最优蠕滑速度搜索模块输入的参考蠕滑速度和列车动力学模型输入的当前时刻车速计算得到列车转矩控制值,并输出列车转矩控制值到列车动力学模型中,形成闭环控制,最终实现对高速列车的黏着控制。
2.根据权利要求1所述的一种基于二型模糊搜索的黏着控制方法,其特征在于:建立列车动力学模型的步骤包括:
(一)建立电机轴的转动方程和轮对转动方程:
式中J是车轮的转动惯量,T是车轮转矩,ωd表示轮对的车轮角速度,f表示黏着力,R表示车轮半径,Tm为电机的电磁转矩,Rg是传动比;
(二)建立电机转速的加速度方程:
式中Jm是电机的转动惯量;
(三)建立轮对转动方程的加速度方程:
式中Jd是轮对的转动惯量;
(四)建立列车的动力学方程:
式中M为列车的总质量,fvt表示列车阻力,a,b,c为阻力计算的相关系数,W·g表示的是列车轴重,μ为黏着系数,按如下公式计算:
μ=c1·e-a1·vs-d1·e-b1·vs(5)
式中,a1,b1,c1,d1是与轨面条件有关的参数。
3.根据权利要求1所述的一种基于二型模糊搜索的黏着控制方法,其特征在于:最优蠕滑速度搜索模块计算参考蠕滑速度的方法为:
S1、将不同黏着特性曲线上的状态区间特征分成如下8种类型:
1)区间A:
2)区间B:
3)区间D:
4)区间C:
5)区间G:
6)区间F:
7)区间H:
区间H表示列车的空转或滑行趋势;
8)点E:
点E为最大黏着点;
S2、然后利用每一步的搜索步长γ(k),计算得到:
s*(k+1)=s*(k)+γ(k+1)(14)
其中:sk分别为当前时刻k的黏着系数和蠕滑率,/>Δsk=sk-sk-1。
4.根据权利要求1所述的一种基于二型模糊搜索的黏着控制方法,其特征在于:黏着系数估计模块估计当前轨面状态下的黏着系数的方法为:
第一步、根据列车动力学模型构建轮对侧的状态方程:
式中,
第二步、对状态向量[ωm Tl]进行重构,构建具有反馈增益的全维观测器:
第三步、按如下公式确定负载转矩的估计值:
第四步、按如下公式确定切向力系数的观测值:
式中,Jeq为归算到电机侧的转动惯量,为观测的电机负载转矩,p1,p2为设置的全维观测器两个系统极点。
5.根据权利要求1所述的一种基于二型模糊搜索的黏着控制方法,其特征在于:模糊逻辑模块计算当前轨面下搜索最优蠕滑速度的调整系数的方法为:
S1、将黏着系数μ和蠕滑速度vs进行偏差计算得到E和CE作为模糊输入量,蠕滑速度调整速度ΔD作为模糊输出值,其中斜率值E以及单位时间斜率的变化值CE的计算公式为:
CE=E(k)-E(k-1)(21)
式中:μ(k)和vs(k)分别是高速列车运行时黏着系数和蠕滑速度在k时刻的采样值;
S2、确定模糊子集与论域:
将输入变量E(k)和CE(k)、输出变量ΔD分割成5个模糊子集,并用语句描述如下:
E(k)={NL,NS,ZE,PS,PL}(22)
CE(k)={NL,NS,ZE,PS,PL}(23)
ΔD={NL,NS,ZE,PS,PL}(24)
其中,“PL、PS、ZE、NS、NL”分别表示“正大、正小、零、负小、负大”,E(k)的论域为[-1,1];CE(k)的论域为[-1,1];ΔD的论域为[-1,-0.5,0,0.5,1];
S3、解模糊器:
将二型模糊集合降型为一型模糊集合后找到降型集合的质心,采用加权平均的方法得到:
其中:CA表示在离散域中一型模糊集合A的质心。
6.根据权利要求5所述的一种基于二型模糊搜索的黏着控制方法,其特征在于:模糊逻辑的模糊逻辑规则采用IF A AND B THEN C的形式,规则库采用T-S型,模糊规则共25条。
7.根据权利要求5所述的一种基于二型模糊搜索的黏着控制方法,其特征在于:模糊逻辑的降阶方法采用改进的KM算法。
8.根据权利要求1所述的一种基于二型模糊搜索的黏着控制方法,其特征在于:PI转矩控制器模块计算列车转矩控制值的方法为:
(1)建立PI控制器:
Δvs=vref-vs(26)
ΔTm=K1·Δvs+K2·∫Δvs(27)
(2)对PI控制器进行离散化处理:
Δvs(k)=vref(k)-vs(k)(28)
ΔTm(k)=K1·Δvs(k)+K2·I(k)(29)
(3)按如下公式计算作用于牵引电机的最优牵引转矩:
Tm(k)=Tref(k)+ΔTm(k)(30)
其中:vref、vs分别为参考蠕滑速度和蠕滑速度,I(k)为误差值Δvs在k时刻的积分值,ΔTm(k)为控制系统在k时刻的转矩调整量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311793963.7A CN117549764A (zh) | 2023-12-25 | 2023-12-25 | 一种基于二型模糊搜索的黏着控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311793963.7A CN117549764A (zh) | 2023-12-25 | 2023-12-25 | 一种基于二型模糊搜索的黏着控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117549764A true CN117549764A (zh) | 2024-02-13 |
Family
ID=89818541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311793963.7A Pending CN117549764A (zh) | 2023-12-25 | 2023-12-25 | 一种基于二型模糊搜索的黏着控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117549764A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117341489A (zh) * | 2023-09-05 | 2024-01-05 | 西南交通大学 | 一种永磁牵引系统列车无级联预测黏着控制方法 |
-
2023
- 2023-12-25 CN CN202311793963.7A patent/CN117549764A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117341489A (zh) * | 2023-09-05 | 2024-01-05 | 西南交通大学 | 一种永磁牵引系统列车无级联预测黏着控制方法 |
CN117341489B (zh) * | 2023-09-05 | 2024-04-16 | 西南交通大学 | 一种永磁牵引系统列车无级联预测黏着控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117549764A (zh) | 一种基于二型模糊搜索的黏着控制方法 | |
Mirzaei et al. | Design of an optimal fuzzy controller for antilock braking systems | |
CN106154831B (zh) | 一种基于学习法的智能汽车纵向神经滑模控制方法 | |
Lin et al. | Neural-network hybrid control for antilock braking systems | |
CN108944963B (zh) | 基于动态轴重转移补偿和多轴协调的机车粘着控制方法 | |
CN103231714B (zh) | 基于牵引电机在线监测的电力机车空转滑行识别方法 | |
CN110450794B (zh) | 一种基于最优蠕滑速度搜寻与跟踪的优化粘着控制方法 | |
CN109799702A (zh) | 一种轨道交通车辆的粘着控制方法及系统 | |
Zhang et al. | Improvement of drivability and fuel economy with a hybrid antiskid braking system in hybrid electric vehicles | |
Ding et al. | Acceleration slip regulation for four-wheel-independently-actuated electric vehicles based on road identification through the fuzzy logic | |
Wen et al. | Anti-slip re-adhesion control strategy of electric locomotive based on distributed MPC | |
Rajendran et al. | Intelligent sliding mode scheme for regenerative braking control | |
Oudghiri et al. | Robust fuzzy sliding mode control for antilock braking system | |
El-Bakkouri et al. | Adaptive backstepping control of antilock braking system based on LuGre model | |
Vorobyov et al. | Modeling of the operation of an asynchronous electric drive of an electric vehicle in slip modes | |
Can et al. | Adhesion control method based on optimal slip velocity searching and tracking | |
Zhou et al. | Neuro-adaptive anti-slip brake control of high-speed trains | |
Vorobiov et al. | Neural Network Controller Based Slippage Prevention System F or Electric Vehicle | |
Dincmen et al. | Self optimizing ABS control algorithm with application | |
Li et al. | HEV mode transition strategy based on fuzzy sliding mode control | |
Wang et al. | Adhesion Control of High Speed Train Based on Vehicle-control System | |
Yang et al. | Novel traction control of electric vehicle based on single wheel dynamics | |
Liu | Simulation of automobile brake system based on PID algorithm | |
Vorobiov et al. | Electric Vehicle Slippage Prevention System Based on Fuzzy Logic Controller | |
Zeng et al. | Dynamic coordination control for hydraulic hub-motor auxiliary system based on NMPC algorithm |
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 |