专利名称：一种动车组运行过程建模与自适应控制方法
技术领域：
本发明涉及一种动车组运行过程建模与自适应控制方法，属动车组运行状态在线辨识与优化操纵技术领域。
背景技术：
中国新一代高速列车，其持续运营时速可达350公里，试验时速已超过400公里，是世界上商业运营速度最快、科技含量最高、系统匹配最优的动车组。相对其他运输方式(如汽车、飞机、中低速客货运列车)，动车组可以满足长距离、大运量、高密度、旅行时间短等运输需求。我国目前已经拥有全世界最大规模以及最高运营速度的高速铁路网，到2020年，将建成16000公里的高速铁路。然而，中国高速铁路网具有区别于欧洲和日本高速铁路的若干重要特征，如路网规模大，能源消耗明显增加；地理、地质、气候条件复杂多变；不同速度等级客运专线运营条件差异明显等。研究有自检测、自诊断、自决策能力的智能化动车组控制系统，实现安全可靠运行和优化操纵已成技术发展趋势。针对动车组运行过程建模与控制问题，相关学者针对动车组动态特性建立了线性
化机理模型并设计了恒速
控制器；提出了多质点单位移机理模型来描述动车组的动态过程，并采用模糊控制器来实现速度和位移的跟踪控制；建立了动车组牵引和制动工况非线性约束模型并设计了自适应backstepping控制器；研究了动车组不同目标速度下的能耗模型。但这些机理建模方法难以解决动车组空气动力学和手柄级位变化的非线性问题，从而可能导致系统综合评价指标降低。在高速高密度运营条件下，人工操纵方式很难满足多目标优化要求，研究智能操纵优化算法对于提高动车组运行性能，具有重要意义。如相关学者针对动车组运行时间和能源消耗优化问题，提出基于模糊C-均值聚类分析和遗传算法优化的模糊控制模型；提出基于模糊逻辑控制的智能列车控制系统来优化动车组高速高密度运行性能；采用模型切换和优化策略来研究电动车组最小能耗操纵问题；也有学者考虑了不确定因素影响下的动车组经济操纵和准点运行的联合设计问题，采用遗传算法和模糊线性规划方法分别进行优化。然而这些方法大都以离线优化为主，不能较好地满足动车组实时优化要求。作为一种动态优化方法，非线性模型预测控制算法可以较好地解决慢时变非线性优化问题。不过由于非线性优化过程在线计算量大，直接应用在动车组运行控制中并不具有明显的优势。
发明内容
本发明的目的是，针对动车组运行过程建模存在建模方法难以解决空气动力学和手柄级位变化的非线性问题，从而可能导致系统综合评价指标降低的问题；另外，基于模糊逻辑控制的智能列车控制系统来优化动车组高速高密度运行性能，还不能满足动车组实时优化要求。针对这些问题，本发明公开一种动车组运行过程建模与自适应控制方法，建立T-S双线性模型和多目标约束模型；采用基于即时学习的局部建模策略来动态校正模型参数，据此设计双线性自适应模型预测控制器进行滚动优化和闭环控制，实现动车组安全平稳、节能舒适、正点等多目标优化控制。实现本发明的技术方案是，本发明结合动车组动力学方程和操纵控制的特点建立T-S双线性模糊模型，并采用即时学习算法实现模型参数的自适应调整；提出了 T-S双线性模型辨识方法。本发明依据动车组实际运行图、前方线路情况、限速条件，牵引力/制动力饱和非线性特性等约束条件建立动车组多目标约束模型，据此设计双线性模型预测控制器实现动车组优化运行。并根据上述模型设计即时学习模型预测控制算法来改善动车组多目标约束优化控制性能指标。即当模型输出误差e在系统允许范围内时，T-S双线性模型参数无需优化；当模型输出误差超过阈值时，采用即时学习算法对模型参数进行在线校正。据此动态调整双线性模型预测控制器的参数，实现模型参数和控制器参数的同时优化，减少了双线性模型预测控制器在线计算量。整个辨识过程既可降低T-S双线性模型未建模部分和未知故障或干扰的影响，又可减少即时学习算法计算量，提高系统的多目标约束优化操纵水平。动车组运行过程建模与自适应控制方法步骤为
(I)从动车组运行控制的基本原理出发，以操纵控制的特点和动力学方程为基础，建立描述动车组动态特性、能量消耗和运行时分的双线性模型；采用基于遗传模拟退火的FCM模糊聚类算法对采集的样本数据进行聚类分析，得到运行过程的经济控制点，为乘务员提供先验操纵优化信息；根据已经确定的模型结构确定各个模糊规则前件参数，通过递推加权最小二乘法辨识各个模糊规则后件参数，对局部每个模糊规则的动态特性进行准确描述；当模型输出误差超过预先设定的阈值时，采用基于即时学习的局部建模方法对模型参数在线校正。这样即可实现动车组运行过程多模式模型的在线估计。(2)通过建立动车组多目标约束优化模型，在上述建立的T-S双线性模型的基础上，结合非线性模型预测控制，将预测模型进行转换，设计T-S双线性自适应模型预测控制器来研究动车组优化操纵问题。动车组操纵控制主要包括牵引、惰行和制动三种运行工况，涉及启动，加速，恒速，惰行和制动等多种控制模式。其中牵引和制动工况下分别有多个手柄级位，如图3所示高铁乘务员所操纵的手柄。所有控车指令都是从手柄级位发出，不同手柄控制级位决定不同的控制模式。动车组不同手柄级位下的牵引特性曲线、制动特性曲线分别如图4 (a)和图
4(b)所示。本发明中动车组机理模型按以下原理和方法确定
从图4可以看出，动车组运行过程所需的牵引力/制动力f/与运行速度I 和手柄级位ιΡ之间是多变量非线性关系
权利要求
1.一种动车组运行过程建模与自适应控制方法，其特征是，所述方法建立T-S双线性模糊模型，并采用即时学习算法实现模型参数的自适应调整；提出了 T-S双线性模型辨识方法；所述方法依据动车组实际运行图、前方线路情况、限速条件，牵引力/制动力饱和非线性特性等约束条件建立动车组运行多目标约束优化模型，据此设计双线性模型预测控制器实现动车组优化运行；并根据上述模型设计即时学习模型预测控制算法来改善动车组多目标约束优化控制性能指标；当模型输出误差〃在系统允许范围内时，T-S双线性模型参数无需优化；当模型输出误差超过阈值时，采用即时学习算法对模型参数进行在线校正；据此动态调整双线性模型预测控制器的参数，实现模型参数和控制器参数的同时优化，减少了双线性模型预测控制器在线计算量。
2.根据权利要求I所述的动车组T-S双线性自适应模型预测控制方法，其特征是，所述方法步骤为 (1)从动车组运行控制的基本原理出发，以操纵控制的特点和动力学方程为基础，建立描述动车组动态特性、能量消耗和运行时分的双线性模型；采用基于遗传模拟退火的FCM模糊聚类算法对采集的样本数据进行聚类分析，得到运行过程的经济控制点，为乘务员提供先验操纵优化信息；根据已经确定的模型结构确定各个模糊规则前件参数，通过递推加权最小二乘法辨识各个模糊规则后件参数，对局部每个模糊规则的动态特性进行准确描述；当模型输出误差超过预先设定的阈值时，采用基于即时学习的局部建模方法对模型参数在线校正；这样即可实现动车组运行过程多模式模型的在线估计； (2)在上述建立的T-S双线性模型的基础上，结合非线性模型预测控制，将预测模型进行转换，设计T-S双线性自适应模型预测控制器来研究动车组优化操纵问题。
3.根据权利要求I所述的动车组T-S双线性自适应模型预测控制方法，其特征是，所述动车组运行过程的双线性机理模型为 JV辆编组的动车组动态特性、能量消耗和运行时分的双线性模型为
4.根据权利要求1所述的动车组T-S双线性自适应模型预测控制方法，其特征是，所述动车组运行多目标约束优化模型为
5.根据权利要求1所述的动车组T-S双线性自适应模型预测控制方法，其特征是，所述T-S双线性模型辨识和自适应控制方法包括 (1 )T-S双线性模型结构辨识，采用基于遗传模拟退火算法的FCM聚类分析方法对动车组模型结构进行辨识；该算法继承了遗传算法较强的并行和全局搜索能力，并采用模拟退火算法的Metropolis接受准则保持种群的多样性，提高局部搜索能力，克服了遗传算法的早熟现象和模拟退火算法收敛速度低的缺陷； (2)动车组T-S双线性模型参数辨识，采用递推加权最小二乘法方法来迭代辨识模型参数和避免矩阵求逆； (3)基于即时学习的模型参数在线校正，在模型输出误差超过阈值时启用即时学习算法进行校正并更新学习集；设计双线性自适应模型预测控制器进行滚动优化和闭环控制，实现动车组安全平稳、节能舒适、正点等多目标优化控制。
全文摘要
本发明公开了一种动车组运行过程建模与自适应控制方法。所述方法针对动车组运行过程复杂、信息不完备、非线性特征明显的特性，采用数据驱动的建模方法，提出了T-S双线性模型辨识方法；依据动车组实际运行图、前方线路情况、限速条件，牵引力/制动力饱和非线性特性等约束条件建立动车组约束模型；根据上述模型设计即时学习模型预测控制算法来改善多目标优化控制性能指标。本发明为动车组乘务员进行优化操纵，保证安全正点运行，改善运行舒适性，降低能源消耗提供了一套可靠的依据。本发明适用于动车组运行状态在线辨识与多目标优化控制。
文档编号G05B13/04GK102981408SQ201210524440
公开日2013年3月20日 申请日期2012年12月10日 优先权日2012年12月10日
发明者杨辉, 张坤鹏, 李中奇, 付雅婷, 刘杰民 申请人:华东交通大学