基于多级切换的动车组制动过程RBF模型参考自适应控制方法技术

本发明专利技术公开了一种基于多级切换的动车组制动过程RBF模型参考自适应控制方法，所述方法针对动车组制动过程的特点，利用动车组制动数据采用参数辨识的方法建立了一种多级可切换的动车组制动模型。同时，考虑到RBF神经网络强大的非线性处理能力与模型参考自适应控制的自适应能力，本发明专利技术在已建立好的制动模型基础上设计了基于RBF网络的模型参考自适应控制策略，由梯度下降原理与极小化误差指标函数，则可实时调节列车制动级位，最终实现高速动车组在无人操纵的情况下列车依旧能按照预先设定的目标速度制动曲线自动运行。大大提高了列车面临突发事件时的自处理能力。本发明专利技术适用于轨道交通自动化与运行优化控制。

RBF model reference adaptive control method for braking process of EMU based on multistage switching

The invention discloses a multi-level switching EMU braking process RBF model reference adaptive control method based on the characteristics of the method for the EMU braking process, establish a multi-level switchable EMU braking model using parameter identification method using EMU braking data. At the same time, considering the RBF neural network powerful ability model reference adaptive control and adaptive nonlinear processing ability, the invention has been established in the foundation of good braking model on the design of the control strategy of RBF model reference adaptive network based on principle and minimum error decreased by the gradient index function, it can be adjusted in real time train braking level. The final realization of high speed EMU in the case of unmanned train still can according to the preset target speed braking curve automatic operation. Greatly improve the ability of the train to deal with emergencies. The invention is suitable for the optimization and control of the automation and operation of the rail traffic.

【技术实现步骤摘要】
基于多级切换的动车组制动过程RBF模型参考自适应控制方法
本专利技术涉及动车组制动过程的一种多级切换模型与自适应速度控制方法，属轨道交通自动化与过程控制领域。
技术介绍
随着自动控制、系统集成、牵引传动、网络信息等技术的日益成熟加快了我国高速铁路的发展步伐，现如今我国高铁技术居于世界前列且拥有规模最大运营速度最高的铁路网，良好的解决了在能源和环境约束下我国交通运输能力不足的问题。然而，高速列车作为大型的非线性系统其运行环境也是相当复杂，一旦列车面临突发事件只能依靠驾驶员经验与调度中心，难以保证列车运行安全。因此，如何确保在脱离驾驶员操作与调度中心指挥的情况下列车依旧能按照既定的目标速度进行制动显得尤为关键，同时也对下一阶段完善我国列车制动控制系统具有重要的意义。显然，要使高速列车按照目标速度制动，核心的技术是建立一个符合实际情况的制动模型，然后在此模型的基础上设计合理有效的控制器。通常的做法是基于数据驱动研究列车受到的制动力与列车速度之间的关系，然而这种做法忽略了制动力是由制动级位在制动装置下动态产生的过程，且制动力作为一个抽象的概念其大小最终是通过操纵制动级位由动力单元产生。因此要建立更加符合实际列车制动的模型其输入变量应该是列车的制动级位而不是制动力大小。其次，建立制动模型后如何使列车按照目标速度制动曲线自动精确的运行则需要设计合理的控制器形成自动控制的闭环反馈系统。工业流程控制中，PID控制由于算法简单受到了广泛的运用，但是同时其参数不易整定通常依靠专家经验或者试凑方法得到，控制的精度往往难达到要求；运用模糊控制的方法，其缺点是依靠司机经验形成的规则库难以应对列车运行的各个运行环境，自适应能力不足；广义预测控制算法依靠多步预测和滚动优化可以取得良好的动态性能，然而需要求解Diophantine方程，算法复杂。因此，既要满足控制的精度同时能适应高速列车这个大型非线性系统，上述控制方法并非最优选择。
技术实现思路
本专利技术的目的是，以高速动车组作为被控对象建立动车组制动过程的多级切换模型，采用基于RBF网络的模型参考自适应控制策略，以最小化目标速度与实际速度间的误差为准则，计算当误差最小时此刻所需的制动级位大小从而切换至已建立的多级制动模型的各个子模型最终实现动车组制动的自动化。本专利技术的技术方案是：一种基于多级切换的动车组制动过程RBF模型参考自适应控制方法，列车制动模型分为静态特性与动态特性两部分，先根据列车制动静态特性曲线，由最小二乘进行曲线拟合得到在当前时刻的速度y(k)下制动级位与制动力大小的静态特性；然后根据制动系统的工作原理分析制动力大小与将来时刻速度y(k+d)的动态特性，采用改进的粒子群辨识算法求得动态特性方程的未知参数，综合静态特性部分和动态特性部分所建立的制动模型，其中输入变量为制动级位，中间量为制动力大小，输出变量为列车速度；采用基于RBF网络的模型参考自适应控制策略，使列车实际输出能跟随参考模型的输出，最终实现动车组按预定的制动曲线自动运行。所述的方法，根据高速动车组制动过程特点建立由列车静态特性与动态特性两部分组成的多级可切换制动模型，并利用相关制动数据对未知参数辨识，具体实施步骤为：(1)列车制动静态特性是列车在各制动级位下的不同速度区段内制动级位与制动力之间的关系，其结构可描述为：式中，n为列车制动级位，y(k)为列车当前速度，f(n,y(k))为列车所受到的制动力，ε(k)为白噪声；(2)列车动态特性是由制动性能所决定的，表示制动力与列车速度之间的动态关系，具体结构可用动态传递函数表示：式中，Y(s),U(s)分别是列车速度与列车控制力在S域的表达形式；参数集X＝[K,T,τ]为待辨识量，采用改进的粒子群辨识算法求得该参数集的解；综合静态特性与动态性能两部分建立多级切换的制动模型为：其中，f(n,y(k))为静态特性部分。所述的方法，列车制动静态特性常用制动有7个制动级位，因此列车制动静态特性可由28个线性方程描述；采用最小二乘法对未知参数Ain,Bin辨识，其结果为：所述的方法，所述基于RBF网络的模型参考自适应控制策略，使列车实际输出能跟随参考模型的输出，最终实现动车组按预定的制动曲线自动运行，(1)定义理想速度制动曲线为yd,考虑列车制动时受到阻力作用，因此目标速度曲线即参考模型的输出为：其中，基本阻力为ω＝ayd2+byd+c，列车质量m＝890t,阻力系数a＝0.00112,b＝0.038,c＝5.2；(2)根据梯度下降的原理，以目标速度制动曲线与实际速度制动曲线间的误差作为网络权值调节指标，即：因此，控制器的输出制动级位n为：n(k)＝h1ω1+…+hjωj+…+hmωm。所述的方法，改进的粒子群辨识算法流程为：a.初始化：设定参数运动范围、学习因子c1、c2，最大进化代数G；kg表示当前的进化代数；参数搜索空间中，粒子组成的种群规模大小为Size(即参数集X的长度为3)，每个粒子代表解空间的一个候选解，其中第i(1≤i≤Size)个粒子在解空间的位置为Xi，速度表示为Vi；第i个粒子从初始到当前迭代次数搜索产生最优解、个体极值Pi、整个种群目前的最优解记为BestS(即最优参数)；随机产生Size个粒子、随机初始粒子位置和速度；b.适应度评价：将采集到的速度数据作为理想输入输出数据样本，若理想输出与实际模型输出的累计误差平方和越小，则此时的粒子位置(此时参数大小)为最佳粒子位置，且可定义适应度函数为：其中，N为总数据样本个数，yk为第k个数据样本的输出，为第k个数据的实际模型输出；c.更新粒子的速度和位置：在规定范围求解minJ过程中，粒子位置和速度不断更新，准则函数为：为避免搜索后期粒子的运动速度趋于0陷入局部最优，选取所有粒子在每一维运动速度中的最小值，按照一定的概率进行变异，使原本聚集的粒子群分散开，扩大了粒子的搜索范围，且定义速度最小为：I∈{1,2,…n}为在某次搜索过程中每一维的速度最小值，则取该速度最小值对应的粒子I，按照一定的概率重新设置其速度初值最后各粒子以速度运动到新的位置点；有其中，kg＝1,2,…,G；i＝1,2,…,Size；r1和r2为0到1之间的随机数；c1为局部学习因子，c2为全局学习因子；pi为历史最优值；d.更新个体最优和全局最优：比较当前适应度值J和自身历史最优值pi，若J≥pi则值pi为当前最优值J；比较当前适应度值J和种群最优值BestS，若J≥BestS，则置BestS为当前最优值J；并更新粒子位置；e.检查结束条件：若寻优达到最大进化代数，则参数辨识过程结束，此时粒子的位置即为参数的最终值，否则令kg＝kg+1，转至第c步。与现有的列车制动技术相比，本专利技术针对列车复杂的制动过程建立了可以多级切换的制动模型，由于模型的输入量是列车制动级位相比现有制动技术中以列车制动力为输入量的方式本专利技术的方法更容易实现。其次，多级切换模型基本可以将列车的非线性特性用众多线性方程近似处理，有效的解决了非线性系统中模型结构不确定、计算分析复杂的问题。另一方面，传统的机理分析方法依靠制动原理与动力学关系可建立出固有参数的数学模型，然而，动车组的制动受到外界环境和自身情况的影响其模型参数是时变的，必然导致传统方法建立的模型精度达不本文档来自技高网...

【技术保护点】
一种基于多级切换的动车组制动过程RBF模型参考自适应控制方法，其特征是，列车制动模型分为静态特性与动态特性两部分，先根据列车制动静态特性曲线，由最小二乘进行曲线拟合得到在当前时刻的速度y(k)下制动级位与制动力大小的静态特性；然后根据制动系统的工作原理分析制动力大小与将来时刻速度y(k+d)的动态特性，采用改进的粒子群辨识算法求得动态特性方程的未知参数，综合静态特性部分和动态特性部分所建立的制动模型，其中输入变量为制动级位，中间量为制动力大小，输出变量为列车速度；采用基于RBF网络的模型参考自适应控制策略，使列车实际输出能跟随参考模型的输出，最终实现动车组按预定的制动曲线自动运行。

【技术特征摘要】
1.一种基于多级切换的动车组制动过程RBF模型参考自适应控制方法，其特征是，列车制动模型分为静态特性与动态特性两部分，先根据列车制动静态特性曲线，由最小二乘进行曲线拟合得到在当前时刻的速度y(k)下制动级位与制动力大小的静态特性；然后根据制动系统的工作原理分析制动力大小与将来时刻速度y(k+d)的动态特性，采用改进的粒子群辨识算法求得动态特性方程的未知参数，综合静态特性部分和动态特性部分所建立的制动模型，其中输入变量为制动级位，中间量为制动力大小，输出变量为列车速度；采用基于RBF网络的模型参考自适应控制策略，使列车实际输出能跟随参考模型的输出，最终实现动车组按预定的制动曲线自动运行。2.根据权利要求1所述的方法，其特征是，根据高速动车组制动过程特点建立由列车静态特性与动态特性两部分组成的多级可切换制动模型，并利用相关制动数据对未知参数辨识，具体实施步骤为：(1)列车制动静态特性是列车在各制动级位下的不同速度区段内制动级位与制动力之间的关系，其结构可描述为：式中，n为列车制动级位，y(k)为列车当前速度，f(n,y(k))为列车所受到的制动力，ε(k)为白噪声；(2)列车动态特性是由制动性能所决定的，表示制动力与列车速度之间的动态关系，具体结构可用动态传递函数表示：式中，Y(s),U(s)分别是列车速度与列车控制力在S域的表达形式；参数集X＝[K,T,τ]为待辨识量，采用改进的粒子群辨识算法求得该参数集的解；综合静态特性与动态性能两部分建立多级切换的制动模型为：其中，f(n,y(k))为静态特性部分。3.根据权利要求2所述的方法，其特征是，列车制动静态特性常用制动有7个制动级位，因此列车制动静态特性可由28个线性方程描述；采用最小二乘法对未知参数Ain,Bin辨识，其结果为：4.根据权利要求2所述的方法，其特征是，所述基于RBF网络的模型参考自适应控制策略，使列车实际输出能跟随参考模型的输出，最终实现动车组按预定的制动曲线自动运行，(1)定义理想速度制动曲线为yd,考虑列车制动时受到阻力作用，因此目标速度曲线即参考模型的输出为：其中，基本阻力为ω＝ayd2+byd+c，列车质量m＝890t,阻力系数a＝0.00112,b＝0.038,c＝5.2；(2)根据梯度下降的原理，以目标速度制动曲线与实际速度制动曲线间的误差作为网络权值调节指标，即：

【专利技术属性】
技术研发人员：杨辉，彭达，付雅婷，谭畅，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西,36