高速磁浮列车悬浮系统的神经网络预测控制方法

本发明属于磁浮列车悬浮控制，具体涉及一种高速磁浮列车悬浮系统的神经网络预测控制方法。

背景技术：

1、随着铁路交通的发展，人们对列车的运行速度和舒适性提出了更高的要求，磁浮列车自从问世以来就广受关注。其中常导磁浮列车依靠电磁铁和轨道之间的吸引力克服重力实现悬浮，在运行过程中不与地面接触，消除了轮轨系统的摩擦阻力，具有速度快、更舒适以及磨损少等优势。但由于电磁悬浮的先天不稳定性，常导磁悬浮列车需要实时控制来实现稳定悬浮。

2、目前磁浮列车仍然采用传统的pi d控制算法，这是一种基于直接解耦的单电磁铁建立的反馈控制算法，在复杂条件下运行时容易发生悬浮失控等问题。然而高速磁悬浮列车运行工况复杂，会受到气动载荷、轨道激扰、负载波动等，影响列车的悬浮稳定性。尤其当列车会车或通过隧道时，还会受到及其明显的气动冲击作用，造成列车出现悬浮间隙波动幅度大、悬浮失稳等严重问题。

3、尽管许多学者提出了一些更为先进的控制策略，但这些算法多是基于悬浮小球或单电磁铁建立的，大多只适用于线性化系统或简化解耦的非线性系统，未能考虑整体车辆结构的模态特征。然而磁悬浮列车除自身的单点悬浮系统具有很强的非线性，各个悬浮系统之间也存在着非线性特征，对耦合部件进行直接简化解耦不利于表现系统的整体性能。因此在对磁浮列车进行分析时，必须考虑车辆本身以及与周边环境强耦合、时变的非线性特征。不仅如此，现有的磁浮列车悬浮控制策略都没有超出反馈控制的范畴，反馈控制主要是对后果的反馈，已发生的运动无法改变。

4、综上所述，为了高速磁浮列车的安全性和舒适性，亟需开展新的、智能化程度更高的控制策略研究。

技术实现思路

1、本发明提出了一种可以用于高速磁浮列车悬浮系统的神经网络预测控制方法，其基于磁浮车辆在气动荷载下的动力响应建立预测模型，从而将列车各部件间的耦合作用以及外部干扰的影响考虑在内，同时集合前馈控制和反馈控制的优势，可以有效地抑制磁浮列车电磁铁在气动荷载下的波动，实现了磁浮列车的精准预测控制，使得磁浮列车更加稳定地悬浮运行。

2、为解决上述技术问题，本发明提供的一种可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其包括以下步骤：

3、1)根据磁浮列车上部署的悬浮传感器，获取磁浮列车运行过程中的动态响应；利用列车上的悬浮控制器读取斩波器中电磁铁的线圈电流；同时记录这些数据作为构建预测模型的样本集；

4、2)利用记录的样本进行神经网络训练，构建磁浮列车响应预测模型，以实现列车未来时刻响应的在线精准预测；

5、3)由悬浮控制器读取电磁铁悬浮间隙和线圈电流信号，利用预测模型在线预测列车未来时刻响应，据此计算前馈控制量；

6、4)由悬浮控制器读取电磁铁悬浮间隙和加速度信号，据此计算反馈控制量；

7、5)悬浮控制器将前馈与反馈控制量叠加之后输出控制信号。

8、所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤1)中所述动态响应数据获取的步骤为：

9、1.1)确定构建磁浮列车响应预测模型所需数据

10、选择磁浮列车电磁铁的悬浮间隙和线圈电流数据作为预测模型的样本集；即在磁浮列车每个电磁铁上布置悬浮传感器用于测量列车运行时的电磁铁悬浮间隙，同时利用悬浮控制器读取斩波器中电磁铁的线圈电流数据；

11、1.2)采集构建预测模型所需数据样本

12、即选取列车的运行条件，记录磁浮列车在各运动条件下电磁铁的悬浮间隙和线圈电流时间序列。

13、所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤2)具体包括以下步骤：

14、2.1)构建神经网络正向传递框架；

15、2.2)构建神经网络误差反向传递框架；

16、2.3)设定神经网络框架基本信息；

17、2.4)利用步骤1)中获取的数据样本对上述步骤2.1)和步骤2.2)构建的神经网络进行训练，得到磁浮列车动力响应预测模型。

18、所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中：所述步骤2.1)具体是设定使用改进后的循环神经网络-长短时记忆神经网络来构建神经网络向前传递预测框架。

19、所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤2.3)的具体步骤如下：

20、2.3.1)选取t时刻及其之前一段时间的电磁铁悬浮间隙和线圈电流为神经网络的输入值，t+1时刻的悬浮间隙为期望输出值y*train，

21、2.3.2)设置神经网络参数；且神经网络参数包括神经网络中隐藏层层数、隐藏层细胞数、输出层误差损失函数、反向传递学习率η及训练停止误差lossend。

22、所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤2.4)的具体步骤如下：

23、2.4.1)读取所述步骤1)中实测的磁浮列车电磁铁悬浮间隙及电流数据作为预测模型的样本集，并按照所述步骤2.3.1)的方法从样本集中获取神经网络的输入值和期望输出值；

24、2.4.2)初始化神经网络，对每个神经元的权重和阈值赋予初始随机值；

25、2.4.3)按照所述步骤2.1)搭建的神经网络正向传递框架对输入值进行计算得到电磁铁悬浮间隙预测值ytrain，ytrain＝[yl+1 yl+2…yn]，然后求出输出层的计算误差loss,如下式(8)所示：

26、

27、2.4.4)将所述步骤2.4.3)求出的计算误差loss与所述训练停止误差lossend进行比较：若loss<lossend，则训练结束，得到训练好的预测模型fpre()；若不满足则将误差反向传递，向后求出每一层每个神经元的误差；

28、2.4.5)通过所述步骤2.4.4)求出的每个神经元的误差求取权重和阈值的增量δw、δb，并将每个神经元的权重w和阈值b更新为w＝w+δw、b＝b+δb，一次训练结束；

29、2.4.6)将所述步骤2.4.5)训练得到的权重w和阈值b当作新一轮训练中神经元的初始值，再次重复上述步骤2.4.3)到步骤2.4.5)的计算过程，通过训练不断修改权重和阈值使得输出层误差loss<lossend，最后得到训练好的预测模型fpre()；

30、2.4.7)利用所述步骤2.4.6)得到的训练好的神经网络模型构建预测模型，其表达式为：

31、

32、其中上式(10)中为t时刻计算得到的悬浮间隙预测值；fpre()为训练好的神经网络预测模型；xl(t)为t时刻已知的一段实测电磁铁数据数列，l为xl(t)里包括的历史信息的行数；x(t)为t时刻测量得到的真实数据，其中z(t)为t时刻实测电磁铁悬浮间隙；i(t)为t时刻实测电磁铁电流。

33、所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤3)的具体步骤如下：

34、3.1)悬浮控制器读取电磁铁悬浮间隙信号和线圈电流信号作为预测模型的输入值，通过所述步骤2)中的预测模型预估悬浮系统的未来响应。

35、3.2)利用悬浮系统的预测值计算前馈控制量,如下式(11)所示：

36、

37、其中上式(11)中kff为前馈增益系数；为预测悬浮间隙；z0为额定悬浮间隙，取10mm；基于悬浮系统的预测值计算前馈控制量不仅限于式(11)所展示的形式，可根据需要更换为其他形式。

38、所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤4)的具体步骤如下：

39、通过悬浮控制器的反馈模块读取传感器测量得到的悬浮间隙和加速度计算反馈控制量；利用pid算法进行反馈控制，将电磁铁悬浮间隙测量值与目标值偏差的比例(p)、积分(i)和微分(d)线性组合成控制量；利用电磁铁加速度积分项来代替悬浮间隙微分项，pid算法反馈控制逻辑的表达式为：

40、

41、其中上式(12)中kp为比例系数；ki为积分系数；kd为微分系数,z(t)为传感器测量悬浮间隙；a(t)为传感器测量电磁铁加速度；z0为额定悬浮间隙；

42、所述可用于高速磁浮列车悬浮系统的神经网络预测控制方法，其中，所述步骤5)的具体步骤如下：

43、将所述步骤3)中的前馈控制量和所述步骤4)中的反馈控制量叠加，得到预测控制的控制量,如下式(13)所示：

44、u(t+1)＝ηffuff(t+1)+ηfbufb(t+1)    (13)；

45、其中上式(13)中uff(t)和ηff为前馈控制量及其权重系数，ufb(t)和ηfb为反馈控制量及其权重系数。

46、采用上述技术方案，本发明具有如下有益效果：

47、本发明可用于高速磁浮列车悬浮系统的神经网络预测控制方法构思合理，基于磁浮车辆在气动荷载等外部激扰下的动力响应建立预测模型，从而将磁浮车辆各部件耦合作用以及外部荷载的影响考虑在内，更加符合实际。

48、本发明根据车辆动力响应非线性时变的特点，利用长短时记忆神经网络构建预测模型，可以实现磁浮列车电磁铁悬浮间隙时间序列的精准预测，从而为前馈控制提供基础。

49、本发明通过长短时记忆神经网络创建磁浮列车动力响应预测模型，实现了车辆悬浮间隙在线精准预测。在此基础上，利用预测值对车辆电磁铁的电流进行前馈控制，在悬浮系统将要出现较大波动前提前施加控制，可以避免车辆在受到冲击载荷时发生大幅波动。

50、本发明为了防止模型失配出现预测失误导致前馈控制失效以及补偿扰动的影响，施加反馈控制与前馈控制协同工作，可实现高速磁浮列车悬浮系统的稳定预测控制。

51、本发明相对于现有控制算法而言，集合前馈控制和反馈控制的优势，可实现磁浮列车悬浮系统的预测控制，有效地抑制磁浮列车电磁铁在气动荷载下的悬浮间隙的波动，从而提高高速磁浮列车运行时的悬浮稳定性，相比于一般反馈控制策略具有很高的优势。