一种基于迭代学习的地铁列车自动运行速度控制方法技术

本发明专利技术公开了一种基于迭代学习的地铁列车自动运行速度控制方法，包括步骤1：针对城市轨道交通列车自动运行速度控制系统，建立列车运行动力学模型；步骤2：通过迭代过程中的输出误差和修正函数对学习增益进行自动调整，将其用来更新速度控制器输入；步骤3：为保证算法对初态误差的鲁棒性，在对控制量进行学习的同时对迭代初态进行学习，使得系统可在任意初始条件下均能收敛至期望轨迹，而不要求迭代初态精确位于期望初态上，最终实现列车对目标速度曲线和目标位移曲线的精确跟踪。本发明专利技术利用学习增益初始值和上一次迭代的系统状态和跟踪误差对本次迭代的系统初态进行修正，给出了迭代初态修正算法，保证了学习律对任意系统初态的收敛性。

【技术实现步骤摘要】

本专利技术涉及一种基于迭代学习的地铁列车自动运行速度控制方法，属于城市轨道交通控制

技术介绍
城市轨道交通具有速度快、运量大、污染少、能耗低、舒适性好等特点，是城市公共交通的重要组成部分，随着城市的快速发展，轨道交通系统的建设已成为世界大中型城市缓解交通拥堵的重要措施之一。轨道交通的运营特点决定了其对安全性、舒适性及节能特性的极高要求，相比于非自动化列车，列车的自动驾驶可以在保证安全运行的前提下，提高列车旅行平均速度、停车准确度和乘坐舒适度等指标，列车自动驾驶已成为轨道交通发展的重要目标之一。列车自动驾驶系统(ATO)的主要功能是实现列车速度的自动调整，通过对列车牵引系统和制动系统的控制实现列车在车站间的自动驾驶，使列车平稳地停靠在预定位置。ATO的调速系统性能的优劣直接影响轨道交通系统的发展，高效和安全的列车速度控制系统可保证列车的安全运行，最终实现列车多项性能指标的完善。列车运行过程有高度复杂性、非线性及不确定性等特性，其控制方法主要有经典PID控制、最优化理论控制以及智能控制方法。由于列车在整个运行过程中存在外部噪声扰动、内部非线性扰动以及系统参数的不确定性，传统PID控制有难以克服的局限性，在控制速度时挡位切换次数过多，不利于列车的平稳运行，降低了乘坐的舒适性，同时增加了能耗。基于最优化理论的列车运行控制方法的研究大多是选择能耗或时间作为其单一性能指标，而列车运行过程属多目标优化问题，需同时满足安全、正点、舒适、节能等指标要求，仅仅以某种指标最优作为控制器设计约束条件很难获得满意的控制效果。智能控制的发展为实现高性能列车自动控制提供了可行的方法，但仍存在很多问题有待解决，如高性能车载模糊控制系统需要依赖大量已知的驾驶经验，且在不同车型不同线路上缺乏移植性，如神经网络控制方法收敛速度有待提高，且可能陷入局部最优，将其真正应用于实际系统还有待进一步发展。对列车速度的优化控制能有效改善列车运行控制系统的多项性能指标，本专利技术充分利用列车运行的重复性及不完全重复性特征，提供一种基于迭代学习的地铁列车自动运行速度控制方法。
技术实现思路
本专利技术的目的在于：提供一种针对城市轨道交通的列车自动运行速度控制方法，通过迭代过程中的输出误差和修正函数对学习增益进行自动调整，将其用来更新控制输入，同时，对迭代初态进行学习以保证算法对列车任意初态的收敛性，最终实现列车对目标速度曲线的精确跟踪。实现本专利技术目的的技术解决方案具体为：一种基于迭代学习的地铁列车自动运行速度控制方法，包括以下步骤：步骤1：针对城市轨道交通列车自动运行速度控制系统，建立列车运行动力学模型；所述的列车运行动力学模型通过采用坡道线性模型来分析：其中，s(t)∈[0,S]是列车运行位移，单位是m，S是线路全长；t∈[0,T]是列车运行时间，T是全程运行时间；v(t)∈[0,V]是列车运行速度，单位是m/s，V(s)为s处允许的最高运行速度；F(t)是作用在列车单位质量上的控制力(牵引力或制动力)，f(t)是作用在列车单位质量上的总阻力，f0(t)是列车单位质量受到的基本阻力，fi(t)是列车单位质量受到的坡道阻力，fr(t)是列车单位质量受到的弯道阻力，fs(t)是列车单位质量受到的隧道阻力，相关作用力的单位为N/kg；取系统状态量x(t)为列车运行位移和运行速度，即x(t)＝[s(t)v(t)]T，将式(1)写成状态方程为：其中，k表示列车第k次运行，f(xk(t),t)＝[f1(xk(t),t)f2(xk(t),t)]T，f1(xk(t),t)＝vk(t)，f2(xk(t),t)＝-f0(t)-fi(t)-fr(t)-fs(t)，uk(t)＝[0Fk(t)]T，h(xk(t),t)＝xk(t)，yk(t)是系统输出。步骤2：列车运行系统需要采取有效的控制措施以保证列车的安全、平稳、高效运行，通过迭代过程中的输出误差和修正函数对学习增益进行自动调整，将其用来更新速度控制器输入；所述步骤2中，给出学习增益可变的迭代学习控制器表达形式，即列车自动运行速度控制系统第k+1次迭代的控制量表达式：其中，λk(t)是可变学习增益，其值的大小与列车系统中参数时变特性相关，为保证系统快速收敛至期望轨迹，学习算法应随着列车系统参数动态特性的变化自动调整学习增益，即当系统参数快速变化时，控制量应具有适应这一变化的能力，否则系统输出误差将不断增大导致系统发散；ek(t)＝yd(t)-yk(t)为系统在第k次运行时的输出误差，为系统在第k次运行时的输出误差ek(t)的导数，在当前完整的迭代周期内产生相应的跟踪误差ek+1(t)和误差导数将二者在迭代轴上按时间存储，下次迭代中，按顺序取出上一次迭代轴上的误差和误差导数值，并记为ek(t)和用于更新当前控制量；yd(t)为列车运行系统的期望输出；u0(t)是初始控制量，获得理想的初始控制量能有效减小初始跟踪误差，可保证在相同学习律下减少迭代次数，提高跟踪精度；所述公式(3)中对控制量表达式的收敛性证明如下，首选给出如下的基本假设：假设1：f()、h()关于系统状态向量x(t)满足Lipschitz条件，即对x2(t)∈Rn×1，存在M＞0，N＞0使得：||f(x1(t),t)-f(x2(t),t)||≤M||x1(t)-x2(t)||||h(x1(t),t)-h(x2(t),t)|≤N||x1(t)-x2(t)||；假设2：存在惟一的理想控制量ud(t)使得系统的状态和输出为期望值，即满足：该算法的收敛性证明如下：(1)、根据列车运行动力学模型式有：将控制量表达式(3)和初态学习算法式(5)带入(7)式可得：(2)、根据微分中值定理可得：ek+1(t)-ek(t)＝yk(t)-yk+1(t)＝h(t,xk(t))-h(t,xk+1(t))＝hx(t,ξ(t))(xk(t)-xk+1(t))(9)其中，xk+1(t)≤ξk(t)≤xk(t)；结合式(8)、式(9)可得：令算子P:Cr[0,T]→Cr[0,T]为：Pek(t)＝[I-hx(t,ξk(t))λ(t)]ek(t)(11)令算子Qk:Cr[0,T]→Cr[0,T]为：由式(10)(11)(12)可得：ek+1(t)＝Pek(t)+Qk(ek)(t)＝(P+Qk)(P+Qk-1)…(P+Q0)(e0)(t)(13)由式ρ(I-hx(t,x(t))λ(t))＜1可知P(t)谱半径小于1，又Qk满足对于t一致成立。因此，由式(13)可得即当k→∞时，系统输出yk(t)在[0,T]上一致收敛于期望轨迹yd(t)。所述步骤2中，通过误差均值E[ek(t)]来调整λk(t)的大小，采用如下的修正函数对λk(t)进行修正：其中，λmin是根据实际系统设定的学习增益最小值；当输出误差大于E[ek(t)]时，增大λk(t)使其接近于1以达到快速调整控制输入uk(t)的目的，当输出误差小于E[ek(t)]时，减小λk(t)使其接近于设定的最小值λmin，对λk(t)的适时调整使得系统的跟踪能力加强，同时又减小了系统收敛时的估计误差。步骤3：为保证算法对初态误差的鲁棒性，在对控制量进行学习的同时对迭代初态进行学习，使得系统可在任意初始条件下均能收敛至期望轨迹，而不要求迭代本文档来自技高网...

【技术保护点】
一种基于迭代学习的地铁列车自动运行速度控制方法，其特征在于，包括以下步骤：步骤1：针对城市轨道交通列车自动运行速度控制系统，建立列车运行动力学模型；步骤2：通过迭代过程中的输出误差和修正函数对学习增益进行自动调整，将其用来更新速度控制器输入；步骤3：为保证算法对初态误差的鲁棒性，在对控制量进行学习的同时对迭代初态进行学习，使得系统可在任意初始条件下均能收敛至期望轨迹，而不要求迭代初态精确位于期望初态上，最终实现列车对目标速度曲线和目标位移曲线的精确跟踪。

【技术特征摘要】
1.一种基于迭代学习的地铁列车自动运行速度控制方法，其特征在于，包括以下步骤：步骤1：针对城市轨道交通列车自动运行速度控制系统，建立列车运行动力学模型；步骤2：通过迭代过程中的输出误差和修正函数对学习增益进行自动调整，将其用来更新速度控制器输入；步骤3：为保证算法对初态误差的鲁棒性，在对控制量进行学习的同时对迭代初态进行学习，使得系统可在任意初始条件下均能收敛至期望轨迹，而不要求迭代初态精确位于期望初态上，最终实现列车对目标速度曲线和目标位移曲线的精确跟踪。2.根据权利要求1所述的基于迭代学习的地铁列车自动运行速度控制方法，其特征在于，所述步骤1中所述的列车运行动力学模型通过采用坡道线性模型来分析，其模型为：其中，s(t)∈[0,S]是列车运行位移，单位是m，S是线路全长；t∈[0,T]是列车运行时间，T是全程运行时间；v(t)∈[0,V]是列车运行速度，单位是m/s，V(s)为s处允许的最高运行速度；F(t)是作用在列车单位质量上的控制力(牵引力或制动力)，f(t)是作用在列车单位质量上的总阻力，f0(t)是列车单位质量受到的基本阻力，fi(t)是列车单位质量受到的坡道阻力，fr(t)是列车单位质量受到的弯道阻力，fs(t)是列车单位质量受到的隧道阻力，相关作用力的单位为N/kg；取系统状态量x(t)为列车运行位移和运行速度，即x(t)＝[s(t)v(t)]T，将式(1)写成状态方程为其中，k表示列车第k次运行，系统状态量x(t)＝[s(t)v(t)]T为列车运行位移和运行速度，f(xk(t),t)＝[f1(xk(t),t)f2(xk(t),t)]T，f1(xk(t),t)＝vk(t)，f2(xk(t),t)＝-f0(t)-fi(t)-fr(t)-fs(t)，uk(t)＝[0Fk(t)]T，h(xk(t),t)＝xk(t)，yk(t)是系统输出。3.根据权利要求1所述的基于迭代学习的地铁列车自动运行速度控制方法，其特征在于，所述步骤2中，给出学习增益可变的迭代学习控制器表达形式即列车自动运行速度控制系统第k+1次迭代的控制量表达式为：其中，λk(t)是与列车系统中参数时变特性相关可变学习增益，ek(t)＝yd(t)-yk(t)为系统在第k次运行时的输出误差，为系统在第k次运行时的输出误差ek(t)的导数，在当前完整的迭代周期内产生相应的跟踪误差ek+1(t)和误差导数将二者在迭代轴上按时间存储，下次迭代中，按顺序取出上一次迭代轴上的误差和误差导数值，并记为ek(t)和用于更新当前控制量；yd(t)为列车运行系统的期望输出；u0(t)是初始控制量，获得理想的初始控制量能有效减小初始跟踪误差，可保证在...

【专利技术属性】
技术研发人员：刘娣，朱松青，李宏胜，许有熊，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32