[發(fā)明專利]基于多級切換的動車組制動過程RBF模型參考自適應控制方法

有效

• 申請?zhí)枺?/td>: 201710106658.4
• 申請日: 2017-02-27
• 公開（公告）號: CN106707764B
• 公開（公告）日: 2019-10-22
• 發(fā)明（設計）人: 楊輝;彭達;付雅婷;譚暢
• 申請（專利權(quán)）人: 華東交通大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京恒創(chuàng)益佳知識產(chǎn)權(quán)代理事務所(普通合伙) 11556
• 代理人: 柴淑芳

1.一種基于多級切換的動車組制動過程RBF模型參考自適應控制方法，其特征是，列車制動模型分為靜態(tài)特性與動態(tài)特性兩部分，先根據(jù)列車制動靜態(tài)特性曲線，由最小二乘進行曲線擬合得到在當前時刻的速度y(k)下制動級位與制動力大小的靜態(tài)特性；然后根據(jù)制動系統(tǒng)的工作原理分析制動力大小與將來時刻速度y(k+d)的動態(tài)特性，采用改進的粒子群辨識算法求得動態(tài)特性方程的未知參數(shù)，綜合靜態(tài)特性部分和動態(tài)特性部分所建立的制動模型，其中輸入變量為制動級位，中間量為制動力大小，輸出變量為列車速度；采用基于RBF網(wǎng)絡的模型參考自適應控制策略，使列車實際輸出能跟隨參考模型的輸出，最終實現(xiàn)動車組按預定的制動曲線自動運行；

根據(jù)高速動車組制動過程特點建立由列車靜態(tài)特性與動態(tài)特性兩部分組成的多級可切換制動模型，并利用相關(guān)制動數(shù)據(jù)對未知參數(shù)辨識，具體實施步驟為：

(1)列車制動靜態(tài)特性是列車在各制動級位下的不同速度區(qū)段內(nèi)制動級位與制動力之間的關(guān)系，其結(jié)構(gòu)可描述為：

式中，n為列車制動級位，y(k)為列車當前速度，f(n,y(k))為列車所受到的制動力，ε(k)為白噪聲；

(2)列車動態(tài)特性是由制動性能所決定的，表示制動力與列車速度之間的動態(tài)關(guān)系，具體結(jié)構(gòu)可用動態(tài)傳遞函數(shù)表示：

式中，Y(s),U(s)分別是列車速度與列車控制力在S域的表達形式；參數(shù)集X＝[K,T,τ]為待辨識量，采用改進的粒子群辨識算法求得該參數(shù)集的解；綜合靜態(tài)特性與動態(tài)性能兩部分建立多級切換的制動模型為：

其中，f(n,y(k))為靜態(tài)特性部分；

列車制動靜態(tài)特性常用制動有7個制動級位，因此列車制動靜態(tài)特性可由28個線性方程描述；采用最小二乘法對未知參數(shù)A_in,B_in辨識，其結(jié)果為：

2.根據(jù)權(quán)利要求1所述的方法，其特征是，所述基于RBF網(wǎng)絡的模型參考自適應控制策略，使列車實際輸出能跟隨參考模型的輸出，最終實現(xiàn)動車組按預定的制動曲線自動運行；

(1)定義理想速度制動曲線為y_d,考慮列車制動時受到阻力作用，因此目標速度曲線即參考模型的輸出為：

其中，基本阻力為ω＝ay_d²+by_d+c，列車質(zhì)量m＝890t,阻力系數(shù)a＝0.00112,b＝0.038,c＝5.2；

(2)根據(jù)梯度下降的原理，以目標速度制動曲線與實際速度制動曲線間的誤差作為網(wǎng)絡權(quán)值調(diào)節(jié)指標；因此，RBF控制器的輸出為制動級位。

3.根據(jù)權(quán)利要求1所述的方法，其特征是，改進的粒子群辨識算法流程為：

a.初始化：設定參數(shù)運動范圍、學習因子c₁、c₂，最大進化代數(shù)G；kg表示當前的進化代數(shù)；參數(shù)搜索空間中，粒子組成的種群規(guī)模大小為Size，每個粒子代表解空間的一個候選解，其中第i個粒子在解空間的位置為X_i，1≤i≤Size，速度表示為V_i；第i個粒子從初始到當前迭代次數(shù)搜索產(chǎn)生最優(yōu)解、個體極值P_i、整個種群目前的最優(yōu)解記為BestS，即最優(yōu)參數(shù)；隨機產(chǎn)生Size個粒子、隨機初始粒子位置和速度；

b.適應度評價：將采集到的速度數(shù)據(jù)作為理想輸入輸出數(shù)據(jù)樣本，若理想輸出與實際模型輸出的累計誤差平方和越小，則此時的粒子位置，為最佳粒子位置，且可定義適應度函數(shù)為：其中，N為總數(shù)據(jù)樣本個數(shù)，y_k為第k個數(shù)據(jù)樣本的輸出，為第k個數(shù)據(jù)的實際模型輸出；

c.更新粒子的速度和位置：在規(guī)定范圍求解minJ過程中，粒子位置和速度不斷更新，準則函數(shù)為：為避免搜索后期粒子的運動速度V_i^kg趨于0陷入局部最優(yōu)，選取所有粒子在每一維運動速度中的最小值，按照一定的概率進行變異，使原本聚集的粒子群分散開，擴大了粒子的搜索范圍，且定義速度最小為：V_l^kg＝minV_i^kg，I∈{1,2,…n}，為在某次搜索過程中每一維的速度最小值，則取該速度最小值對應的粒子I，按照一定的概率重新設置其速度初值V_l^kg＝rand[V_min,V_max]，最后各粒子以速度V_l^kg運動到新的位置點；有其中，kg＝1,2,…,G；i＝1,2,…,Size；r₁和r₂為0到1之間的隨機數(shù)；c₁為局部學習因子，c₂為全局學習因子；p_i為歷史最優(yōu)值；

d.更新個體最優(yōu)和全局最優(yōu)：比較當前適應度值J和自身歷史最優(yōu)值p_i，若J≥p_i則值p_i為當前最優(yōu)值J；比較當前適應度值J和種群最優(yōu)值BestS，若J≥BestS，則置BestS為當前最優(yōu)值J；并更新粒子位置；

e.檢查結(jié)束條件：若尋優(yōu)達到最大進化代數(shù)，則參數(shù)辨識過程結(jié)束，此時粒子的位置即為參數(shù)的最終值，否則令kg＝kg+1，轉(zhuǎn)至第c步。